MétaCan
Menu
← Back to cohort
Record W6990222002

Détection en temps réel de sous-performance énergétique dâéoliennes

2012· other· fr· W6990222002 on OpenAlexvenueaboutno aff

Bibliographic record

VenueLibrary and Archives Canada (Government of Canada) · 2012
Typeother
Languagefr
Field
Topic
Canadian institutionsnot available
Fundersnot available
KeywordsUTC offsetLimitingOnboarding
DOInot available

Abstract

fetched live from OpenAlex

Le projet a été réalisé dans le cadre d'une collaboration entre BBA, l'École de technologie supérieure, le Technocentre éolien (TCE) et Osisoft Canada. Le TCE a fourni les données pour une période d'un an des deux éoliennes Repower MM92 du site nordique expérimental en éolien CORUS (SNEEC). L'objectif est de développer et d'intégrer des outils de suivi de performance des éoliennes, une branche des systèmes de maintenance conditionnelle. Les outils développés sont la méthode Caselitz, les cartes de contrôle et la méthode des moments centraux. Tous les outils sont développés dans l'environnement Matlab. Les outils Caselitz et \nCartes de contrôle sont également intégrés dans le système Osisoft PI du TCE. Ils sont développés à partir de deux modèles de prédiction de la puissance, soit un basé sur la \nméthode des « bins » et un de type réseau de neurones. Les modèles sont entrainés avec des données s’échelonnant sur une période de 143 jours en utilisant une moyenne 10 min glissante sur 2 min et une moyenne 1 min. \n \nLa méthode de Caselitz a été développée pour les modèles « bins ». Les cartes de contrôles ont été développées avec les indicateurs ratio de performance et le résidu afin d'avoir une unité de mesure de la performance indépendante de la vitesse d'opération. Les limites sont calculées avec l'écart-type séparé par « bins » de vitesse de 0.5 m/s des indicateurs pour les données de bon fonctionnement. La méthode des moments centraux a été déterminée par essai-erreur. La méthode des moments centraux avec l'indicateur résidu est celle qui concorde le plus avec la méthode des moments centraux. \n \nLes indicateurs journaliers : durée (%), pertes (% et kWh) et distance (%) pour des moments centraux sont développées pour chacune des méthodes de détection de sous-performance. Une analyse de corrélation permet de déterminer les méthodes les plus performantes. Pour l'analyse des causes, les 29 journées avec le plus de pertes pour une des deux éoliennes seulement ont été étudiées. Pour ce faire, nous avons utilisé une méthode d’analyse graphique d’indicateurs de givre ainsi que des codes d'erreur de l'éolienne. Les résultats sont décrits dans un tableau sommaire.

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 imitation

Not 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.

metaresearch head score (Codex)0.001
metaresearch head score (Gemma)0.003
Version: metacan-v3-hybrid-931329e0061cValidation status: machine_predicted_unvalidated
Candidate categoriesnone
Consensus categoriesnone
DomainCandidate signal: none · Consensus signal: none
Study designCandidate signal: Simulation or modeling · Consensus signal: none
GenreCandidate signal: Empirical · Consensus signal: none
Teacher disagreement score0.022
Threshold uncertainty score0.072

Distilled classifier scores by category (both heads)

CategoryCodexGemma
Metaresearch0.0010.003
Meta-epidemiology (narrow)0.0010.000
Meta-epidemiology (broad)0.0010.001
Bibliometrics0.0010.001
Science and technology studies0.0010.001
Scholarly communication0.0040.002
Open science0.0010.001
Research integrity0.0010.001
Insufficient payload (model declined to judge)0.0220.009

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.

Opus teacher head0.002
GPT teacher head0.141
Teacher spread0.138 · how far apart the two teachers sit on this one work
Validation statusscore_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from it

Classification

machine, unvalidated

Machine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.

The models applied no category: nothing in the taxonomy fit this work.
Study designSimulation or modeling
Domainnot available
GenreEmpirical

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".

Quick stats

Citations0
Published2012
Admission routes2
Has abstractyes

Explore more

Same venueLibrary and Archives Canada (Government of Canada)→French-language works237,207→