The Impacts of COVID-19 and Roles of Artificial Intelligence on Energy Sector: An Analytical Review on the Pre-, Mid- and Post-Pandemic Perspectives
Notice bibliographique
Résumé
Abstract: The COVID-19 pandemic has disrupted global energy markets and caused significant socio-economic impacts worldwide. The pandemic has also impacted the energy sector, with demand for energy reducing due to lockdowns and reduced economic activity. Hence, this paper aims to provide a comprehensive and analytical review of the impact of COVID-19 on the energy sector and discuss the potential role of artificial intelligence (AI) in mitigating some of these effects. This review examines the changes in energy demand patterns resulting from the pandemic and the implications for the energy industry, including the shifts in policymaking, communication, digital technology, energy conversion, environmental, energy market, and power system operation. The analysis of the energy pattern is discussed according to the timeframes which include pre-, mid-, and post-pandemic periods. Furthermore, we explore how AI can be used to improve energy efficiency, optimize energy use, and reduce energy wastages. The potential for AI to contribute to developing more efficient and sustainable energy systems has also been addressed. Lastly, we highlighted AI’s challenges, which play a significant role in the energy sector's response to the COVID-19 pandemic. The recommendations for AI applications in the energy sector for the transition to a more sustainable energy future are outlined. Information corroborated in this review is expected to provide important guidelines for crafting future research areas and directions in preparing the energy sector for any unforeseen circumstances or pandemic-like situations.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».