Sustainable Energy Management System for AIoT Solutions Using Multivariate and Multi-Step Battery State of Charge Forecasting
Notice bibliographique
Résumé
The convergence of Artificial Intelligence (AI) with Internet of Things (IoT) technologies, often referred to as AIoT, is transforming aspects of modern life, such as smart cities. This transformation, however, brings with it challenges, including energy management. In addressing this issue while upholding responsible AI principles, it is important to prioritize the sustainability of AIoT solutions by a promising approach which is using renewable energy sources. While renewable energy offers numerous advantages, its intermittent nature necessitates effective power management systems. Developing a power management system serving as a decision-making platform for AIoT-driven solutions is the goal of this study. This platform contains two critical components: accurate forecasts of battery "State of Charge" (SoC), and the implementation of appropriate control strategies. These strategies include adjusting energy consumption patterns to ensure stable and reliable system operation. This study focuses on accurate battery SoC forecasting, to this end, an experiment has been designed, and a data logging system has been developed to produce suitable data since publicly available datasets do not align with the specific characteristics and requirements of the research. The SoC forecasting in this study has been addressed as a multivariate and multi-step time series forecasting problem, where various machine learning and deep learning models including Decision Tree (DT), Random Forest (RF), Long Short-Term Memory (LSTM), Gated Recurrent Unit (GRU), Bidirectional Long Short-Term Memory (Bi-LSTM), and Bidirectional Gated Recurrent Unit (Bi-GRU) were benchmarked. Extensive evaluations have been conducted for different forecasting horizons on datasets with varying time intervals. It is concluded that the Bi-GRU model outperformed other models across datasets with varying time intervals and forecast horizons according to Mean Absolute Error (MAE) and Root Mean Square Error (RMSE) evaluation metrics.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».