MétaCan
Menu
Retour à la cohorte
Enregistrement W4416306055 · doi:10.18280/jesa.580906

Polygeneration Grid Including Atmospheric Water Generation, Renewable Sources and Storage Technologies: Modelling and Real-Time Management

2025· article· en· W4416306055 sur OpenAlexvenueno aff
Mario L. Ferrari, Lucia Cattani, Anna Magrini

Notice bibliographique

RevueJournal Européen des Systèmes Automatisés · 2025
Typearticle
Langueen
DomaineEngineering
ThématiqueIntegrated Energy Systems Optimization
Établissements canadiensnon disponible
Organismes subventionnairesUniversité de Genève
Mots-clésRenewable energyChilled waterPhotovoltaic systemGridWater coolingSmart gridEnergy managementFlexibility (engineering)

Résumé

récupéré en direct d'OpenAlex

The aim of this paper is the modelling of a smart polygeneration grid and the development of its Energy Management System (EMS) for real-time optimal operations, minimizing variable costs.The proposed grid includes two different demands: water and cooling energy.While water can be obtained from the aqueduct or from an Atmospheric Water Generator system (AWG), cooling energy can be produced from a devoted cooler or from the chilled air of the AWG.The integration with renewable sources in the form of photovoltaic panels is also proposed.Moreover, the grid includes a water tank and a thermal storage system to have additional management flexibility and to avoid money losses in case of extra-productions.While the optimized management is common in electrical energy smart grids, the application of EMS tools in such polygenerative grids including water generation is quite rare.Following the development and validation of component models, attention is focused on the EMS details and its application aspects.To assess the EMS performance, the results obtained with the application of this new tool have been compared with a simple traditional management, showing the obtained economic and environmental benefits.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,395
Score d'incertitude au seuil0,865

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0010,000
Communication savante0,0010,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,011
Tête enseignante GPT0,207
Écart entre enseignants0,196 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2025
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal Européen des Systèmes AutomatisésMême sujetIntegrated Energy Systems OptimizationTravaux en français237 207