Energy management in alternating current microgrids with renewable energy sources integration using giant trevally optimizer-self-adaptive physics-informed neural networks
Notice bibliographique
Résumé
This study addresses the challenges of energy management (EM) in alternating current (AC) microgrids (MGs) integrated with renewable energy sources (RESs), focusing on optimizing power balance, efficiency, and operational costs. Due to the alternation in renewable generation and demand, systems have to tackle the inefficiencies of power conversion and emissions related to the operation of backup generators. To overcome these issues, a novel hybrid approach, the Giant Trevally Optimizer-Self-Adaptive Physics-Informed Neural Network (GTO-SAPINN), is proposed. This approach aims to enhance system efficiency, minimize power loss, and reduce MG costs. In this method, the SAPINN forecasts demand and renewable generation patterns, ensuring stable energy supply. Meanwhile, GTO improves load balancing and distribution among RESs in AC MGs. The effectiveness of GTO-SAPINN is evaluated in MATLAB, compared against existing methods such as Beluga Whale Optimization, Flying Foxes Optimization-Deep Attention Dilated Residual Convolutional Neural Network, and Particle Swarm Optimization. Results reveal that GTO-SAPINN method achieves 99.1% efficiency at a total cost of €42 053, demonstrating superior cost-effectiveness and time efficiency over competing methods. This approach provides a promising, reliable solution for EM in AC MGs with RESs, optimizing energy distribution, and supporting sustainable MG operations.
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 | 0,000 | 0,001 |
| 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 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».