Optimized energy management in Grid-Connected microgrids leveraging K-means clustering algorithm and Artificial Neural network models
Notice bibliographique
Résumé
The increasing integration of renewable energy sources (RESs) in grid-connected microgrids necessitates advanced energy management strategies to enhance efficiency, reliability, and sustainability. This study proposes an optimized energy management framework leveraging the One-to-One-Based Optimizer (OOBO) for microgrid scheduling, combined with K-means clustering and Artificial Neural Networks (ANNs) for load forecasting. The proposed method dynamically schedules distributed energy resources (DERs), battery energy storage systems (BESS), and diesel generators while minimizing operational costs and carbon emissions. Simulation results demonstrate that the OOBO-based optimization achieves a 20–48% reduction in operational costs and a 25–38% decrease in carbon emissions, outperforming conventional methods such as Particle Swarm Optimization (PSO), Genetic Algorithm (GA), and Differential Evolution (DE). The comparative analysis highlights the superior convergence speed of OOBO, reducing computational time by 30–45%, making it suitable for real-time applications. Furthermore, the study evaluates three scenarios: reliance solely on a diesel generator, optimization without BESS, and optimization with BESS, where BESS integration led to a 38% reduction in emissions compared to diesel generator-only configurations. The novelty of this work lies in the synergistic integration of OOBO, AI-driven forecasting models, and adaptive resource scheduling, ensuring optimal cost savings and energy efficiency. The results confirm the scalability and robustness of the proposed framework, making it a promising solution for future multi-microgrid and multi-energy system applications. These findings provide a strong foundation for sustainable energy transitions, reducing dependence on fossil fuels and enhancing grid stability.
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 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| 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 ».