Development of an optimization tool for the sizing and management of multi-source systems with batteries : application to telecommunication towers
Bibliographic record
Abstract
L'industrie des télécommunications affronte un double défi : démocratiser l'accès numérique tout en réduisant son impact environnemental. Ce secteur représente 3% de la consommation énergétique mondiale et génère 430 MtCO₂ annuellement. Les stations de base, essentielles à la connectivité, sont responsables de 57% de cette consommation.La fracture numérique persiste, notamment au Canada où seulement 64% des ménages ruraux accèdent à une connexion Internet 50/10 Mbps, contre 99% en zones urbaines. Cette disparité s'accentue dans les communautés autochtones, où l'accès à la 5G ne concerne que 41,53% de la population.L'approvisionnement énergétique du secteur repose sur des sources variées : 46% d'énergies renouvelables, 43% du réseau conventionnel et 11% de générateurs diesel. Toutefois, moins de 1% des énergies renouvelables est produit directement sur site. D'ici 2030, le nombre de sites en réseau instable ou hors réseau devrait augmenter de 22%.Face à ces enjeux, les opérateurs télécoms visent à réduire leurs émissions de 50% d'ici 2030 et atteindre la neutralité carbone en 2050. Des acteurs majeurs comme Rogers et Bell Canada ont déjà entamé ce virage en déployant des stations alimentées par énergies renouvelables dans les zones éloignées.Ce projet de recherche propose le développement d'un outil d'optimisation des nanoréseaux hybrides associant panneaux photovoltaïques, batteries et générateurs diesel pour alimenter les stations de base isolées. L'approche cible le dimensionnement optimal et la gestion économique et environnementale de ces systèmes.L'étude intègre des innovations comme les panneaux photovoltaïques bifaciaux, qui offrent un rendement supérieur de 10-20% et devraient représenter 20% du marché mondial d'ici 2030. Elle aborde également l'impact critique de l'accumulation de neige, qui peut réduire le rendement énergétique de 3,5% à 100%.Les contributions principales s'articulent autour de trois axes : la modélisation détaillée du système, l'optimisation de la gestion énergétique face aux incertitudes, et la coordination entre modélisation et gestion pour maximiser l'intégration des énergies renouvelables.Le résultat sera un outil de dimensionnement optimisé facilitant la planification et la gestion des stations alimentées par nanoréseaux, contribuant ainsi aux politiques de réduction des émissions et à l'objectif de neutralité carbone d'ici 2050.
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 distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.000 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.000 | 0.000 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.000 | 0.000 |
| Open science | 0.001 | 0.000 |
| Research integrity | 0.000 | 0.000 |
| Insufficient payload (model declined to judge) | 0.000 | 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 teacher head, 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".