Gestion de la demande en puissance : Outil de planification et stratégies pour la production de bois d'oeuvre
Bibliographic record
Abstract
L’industrie forestière est un secteur économique générant beaucoup d’emplois au Québec, Canada. Dans le but d’assurer la compétitivité et la profitabilité des scieries, plusieurs propriétaires se voient donc dans l’obligation de revoir leurs systèmes de production. De plus, ceux-ci sont à la recherche de nouvelles opportunités pour générer des profits, comme le programme de gestion de la demande en puissance (GDP) d’Hydro-Québec, programme visant à redistribuer l’usage de l’électricité vers des périodes hors-pointe. C’est dans cette optique que s’insère cette maîtrise, dont le but est d’évaluer l’impact technico-économique de l’implantation de stratégies permettant à une scierie typique de participer au programme de GDP. Pour ce faire, une revue de la littérature a été faite, afin d’établir un état de l’art sur les systèmes de gestion de l’énergie en industrie, la gestion de la demande en puissance et les modèles de planification existants dans le milieu de la fabrication de bois d’oeuvre. Ensuite, l’étude d’un système de production de bois d’oeuvre réel et la collecte d’informations quant à la consommation d’électricité des équipements et de chauffage des espaces de travail utilisés ont été réalisées. Ces informations ont par la suite été intégrées à l’intérieur d’un modèle de planification tactique des opérations. Avec un tel modèle, il devenait donc possible de tester différentes stratégies permettant de réduire l’appel en puissance des équipements en cas d’évènement de GDP et de mesurer les gains financiers ou encore les pertes engendrées par la mise en place de telles stratégies. Plus particulièrement, six stratégies ont été testées. À la suite d’une étude comparative basée sur la profitabilité de chaque stratégie, il s’est avéré que le meilleur scénario permettait d’augmenter les profits de la scierie à l’étude de près de 5%, tout en offrant une augmentation de profit durant un grand nombre d’heures de GDP (68 heures). Somme toute, l’étude a permis de trouver, pour une scierie type du Québec, la meilleure stratégie à mettre en place pour participer au programme de GDP d’Hydro-Québec. Elle a également a permis de développer un modèle de planification pour l’industrie du bois d’oeuvre intégrant la facette énergétique et de générer une méthodologie générale permettant de reproduire les travaux réalisés dans le cadre de la recherche à d’autres secteurs.
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 | 0.003 | 0.003 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.002 | 0.003 |
| Scholarly communication | 0.006 | 0.003 |
| Open science | 0.002 | 0.002 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.008 | 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".