<i>TEMP:</i> Cost-Aware Two-Stage Energy Management for Electrical Vehicles Empowered by Blockchain
Notice bibliographique
Résumé
Developing effective platforms for economic energy management is considered a pivotal issue in the field of electric vehicles (EVs). To implement a cost-effective energy management platform (EMP), developers must overcome two major challenges. The first challenge lies in the environmental dynamic nature, such as EV location, energy price fluctuations, storage levels, and parking availability at charging stations. This causes most traditional one-shot optimizations to fail. The second challenge pertains to the lack of regulation in EV energy exchanges. To address these challenges, we propose a cost-aware two-stage EMP based on blockchain and deep reinforcement learning (DRL), namely, TEMP. Specifically, TEMP first develops a sharding-based blockchain energy management framework, which guarantees trust, security, privacy, traceability, and accountability without the need for intermediaries. Then, considering the complex and high-dimensional environment, TEMP devises a two-stage cooperative scheduling scheme by combining ant colony optimization (ACO) with proximal policy optimization (PPO) to enhance learning effectiveness. Evaluations show that TEMP outperforms the two state-of-the-art baselines by 12.3% and 4.4% in terms of long-term profits while reducing costs by 6.7% and 2.8%, respectively. Moreover, energy transaction efficiency can be ensured when the EV number of blockchain networks is gradually increased.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,003 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,009 | 0,002 |
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 ».