Conception d’un agrégateur pour la gestion de recharge bidirectionnelle de véhicules électriques au Québec
Bibliographic record
Abstract
Selon l’Association des Véhicules Électriques du Québec en 2022, plus de 160 000 véhicules électriques circulent sur les routes du Québec et il est attendu que ce nombre soit multiplié par dix d’ici 2030. Pour la prise en charge de ce nouveau besoin en énergie, il ne suffit pas de produire plus d’électricité, car encore faut-il être bien outillé pour la gérer une fois produite. Cet enjeu constitue le fondement de ce projet de recherche sur la gestion bidirectionnelle équitable d’énergie à l’aide d’un agrégateur pour plusieurs véhicules branchés à la fois. L’agrégateur gère les échanges d’énergie avec les véhicules afin de fournir de l’électricité au réseau de distribution ou de se recharger entre eux. Pour cela, il évalue les besoins en énergie des véhicules, la pointe de charge du réseau et la température. Puis, il détermine par un réseau de neurones artificiel la quantité de puissance utilisée pour recharger les véhicules ou soutirée des véhicules pour alimenter le réseau. Enfin, il la répartit à travers les véhicules de manière équitable, c’est-à-dire que les véhicules moins chargés sont priorisés pendant les recharges. Inversement, lorsqu’il est commandé aux véhicules de fournir de l’énergie au réseau, l’agrégateur priorisera la décharge des batteries pleines tout en respectant une limite qui protègera les batteries contre une dégradation accélérée. Les résultats illustrent que l'agrégateur favorise les recharges et les décharges équitables tout en respectant les préférences des propriétaires. Il limite également le chargement des véhicules lors des périodes de grands froids et lors des périodes de pointes où la consommation du réseau est particulièrement élevée.
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 | 0.001 | 0.001 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.001 | 0.000 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.001 | 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".