Évaluation des méthodes d'estimation du productible des parcs éoliens
Bibliographic record
Abstract
L’estimation de la capacité de production est une étape cruciale dans le processus de conception d’une centrale éolienne. Une mauvaise estimation de la production peut engendrer des pertes économiques importantes. Une étude réalisée sur les centrales éoliennes subventionnées par le gouvernement canadien a démontré que l’estimation moyenne de ces centrales affichait une surestimation de la capacité de production. Dans ce contexte, une étude a été effectuée afin de mieux comprendre l’origine de ces erreurs et de développer une méthode afin de les réduire. \n \nPour ce faire, les logiciels MS-Micro, WAsP, WindFarm et WindPro ont été étudiés et comparés. Selon les résultats obtenus, MS-Micro donne de meilleurs résultats lorsque le terrain est simple comparativement à WAsP. À l’inverse, WAsP accorde des erreurs plus faibles en terrain complexe. Au niveau des modèles de sillage, le modèle WindFarm affiche les résultats les plus concluants lorsqu’il s’agit de sillage unitaire tandis que le modèle WindPro donne les meilleurs résultats dans le cas de sillage multiple. \n \nSuite à ces analyses, des indicateurs de topographie et de sillage ont été développés afin d’identifier l’influence des diverses caractéristiques d’un site sur l’erreur de production. \n \nEntre autres, une classification de la rugosité a été créée, incluant un paramètre de rugosité de référence ainsi qu’un paramètre de complexité de rugosité. Les indicateurs ont également permis d’établir des corrélations et de développer des équations permettant d’évaluer l’erreur de production en fonction du site et du positionnement des éoliennes sur le site. Une réduction de 83.4% des erreurs de production sur l’effet de terrain est obtenue, tandis que les indicateurs de sillage ont engendré une amélioration de l’estimation de 79.3%. \n \nEnfin, diverses études de cas ont été effectuées sur le modèle WAsP afin d’évaluer les erreurs engendrées par certaines approximations. Les résultats démontrent, entre autres, que des erreurs importantes se produisent lorsque les données de vent n’ont pas tendance à suivre une distribution de Weibull. Ce phénomène ne semble pas être observé sur le modèle MS-Micro.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.006 | 0.017 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.002 | 0.002 |
| Open science | 0.002 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.006 | 0.001 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".