ElectroBlock: Reinforcement Learning and Blockchain-based Energy Trade to Optimize Tariffs
Notice bibliographique
Résumé
Energy prices have increased by more than ${6 2 \%}$ globally on average, while power companies are trying to provide more affordable energy with different options: fixed-rate, slab-based tariffs, and Time-of-Use pricing. This article aims to combine blockchains, smart contracts, smart grids, energy forecasting through reinforcement learning, and energy trading between closed communities, bringing consumer savings. Our proposed model, ElectroBlock, uses the first 25 days of each month’s energy usage history along with seasonal and exogenous factors to forecast the final end-of-month usage. Then with the forecast we can predict which customers are the most likely to be pushed to the next energy consumption slab and be charged at a higher rate for the remaining month. This allows these customers to be buyers, and seamlessly buy energy units from users who would sell, the energy units they are predicted to leave unused by the end of the month. Moreover, trading is done with WalletCoins, at a coin per kilowatt hour, but could also be traded directly for fiat currency. Furthermore, the power company makes a profit on every trade through transaction fees. Hence there is great incentive for both customers and power companies to adopt our proposed model. We integrated Hyperledger Fabric into our ElectroBlock prototype to store all customer data and prevent tampering with WalletCoin and consumption records. Finally, we did a performance analysis, on the actual cost savings based on a real-world dataset; and a scalability test for concurrency and customer bases on our prototype.
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 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 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 ».