A holistic framework to optimize embedding PV systems into building façades
Notice bibliographique
Résumé
In addressing fossil fuel supply concerns and their environmental impacts, the building sector, as a major energy consumer, offers an opportunity for renewable energy integration. Among renewable energy sources , solar energy through photovoltaic (PV) panels on building façades stands out as a notable option, though fully realizing their potential remains a challenge. This study introduces a framework for the automated design of PV panels integrated into the façades of existing buildings, enabling thorough assessment based on energy efficiency, economic feasibility , and environmental impact. The process involves capturing the geometry of building envelopes, a deep learning model to identify façade surfaces for PV installation, and simulations to model PV generation and energy demand. An evolutionary multi-objective optimization algorithm is then employed to determine the PV system design parameters. The results of applying the framework to two university buildings in Alberta, Canada, are presented. For these cases, when equal weights are given to economic, environmental, and energy efficiency objectives, the optimal PV layout can achieve electricity self-sufficiency of 5.16 % and 6.78 %, with greenhouse gas emission rates of 18.26 and 15.69 g CO 2 -eq./kWh, respectively. The analysis illustrates that adjusting objective priorities yields different optimized solutions to balance competing factors. For example, prioritizing self-sufficiency increases the number of panels while focusing on financial return results in fewer panels and shorter payback periods . Although the financial feasibility of PV systems in Alberta's energy market is currently constrained by low electricity prices, the analysis highlights opportunities for improvement through government incentives and potential electricity price increases.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».