Analyse des facteurs de perte dans les systèmes photovoltaïques sur suiveurs solaires dans un climat continental humide
Bibliographic record
Abstract
Dans le contexte de trouver des solutions aux problèmes causés par les combustibles fossiles en utilisant des sources d'énergie renouvelables, les technologies photovoltaïques (PV) sont devenues importantes dans de nombreux endroits du monde au cours des dernières décennies. Par conséquent, évaluer et analyser ces systèmes dans différents endroits avec leurs caractéristiques météorologiques spécifiques est crucial pour les décideurs. Dans cette étude, trois types de technologies PV - les systèmes monofaciaux et bifaciaux à deux axes avec des modules PV standard, et les systèmes photovoltaïques concentrés (CPV) avec un système de suivi à deux axes - ont été examinés à Sherbrooke, au Québec, Canada, où le climat est de type continental humide. Les résultats montrent que les systèmes monofaciaux et bifaciaux subissent environ 4% de pertes dues à un mode de fonctionnement dégradé en cas de vents forts ou de très basses températures. En plus de ces pertes, nos systèmes ont subi des pertes supplémentaires de 12 et 9% causées en partie par la neige, plus prononcées pour les modules monofaciaux que pour les bifaciaux. Pour les systèmes CPV, le givre est le principal facteur de perte, suivi par la neige. Nous avons proposé une méthode pour prendre en compte l'effet négatif de la neige et du gel en ajoutant des facteurs de salissure mensuels à notre modèle de prédiction, basés sur les chutes de neige mensuelles et la température ambiante. En appliquant cette méthode, nous avons réduit l'erreur entre la production d'énergie prévue et réelle de près de 25 à 5%, ce qui montre que notre modèle fonctionne bien dans un climat continental humide pour les systèmes CPV.
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 | 0.000 | 0.000 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.000 |
| Scholarly communication | 0.001 | 0.000 |
| Open science | 0.000 | 0.000 |
| Research integrity | 0.000 | 0.000 |
| Insufficient payload (model declined to judge) | 0.001 | 0.000 |
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".