Designing aggregation criteria for end-users integration in energy communities: Energy and economic optimisation based on hybrid neural networks models
Notice bibliographique
Résumé
This study presents innovative methodologies addressing critical challenges in energy community real-cases implementation. The investigation is conducted by exploring and enhancing the concept of Peer-to-Peer energy community, where prosumers interact with consumers by sharing surplus energy to meet their electricity demands. The end-users' connections are optimised by maximizing their energy interactions and the proposed pricing strategies are based on balancing the supply and demand curves for tailored unit costs. This study aims to optimise the design of energy communities' configurations and the applicability in real case scenarios by suggesting novel aggregation criteria. These criteria are focused to select the type and the number of users in an energy community to maximize the economic benefit and the amount of self-consumed renewable energy. A bi-level optimisation approach is at the basis of these aggregation criteria. The first level maximizes self-sufficiency and economic benefits by aggregating prosumers and consumers into subgroups. The second level determines the optimal community configuration, prioritizing total energy self-consumption. This methodology requires the knowledge of users' electrical needs, therefore, to address the problem related to insufficient data, a Hybrid Neural Network model is proposed to simulate building electrical demands. A case study in a residential area of Caserta, Italy, demonstrates the methodology's effectiveness. By identifying user types, predicting demands, and employing optimisation techniques, the study estimates economic benefits for consumers (1.6% to 19.5% savings) and prosumers (return on investment <3 years) compared to the reference scenario where the consumers and prosumers are connected only to the national electricity grid. Moreover, the optimised aggregation strategy achieves an 89% annual self-consumption compared to 64% of the reference scenario, significantly reducing network imbalances caused by prosumer surpluses.
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 | 0,002 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 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 ».