Enhancing fairness and efficiency in community energy systems: A forecast-driven approach
Notice bibliographique
Résumé
The integration of renewable energy sources and community energy storage systems offers a transformative solution for enhancing grid resilience and reducing reliance on fossil fuels. However, ensuring fair and efficient energy allocation among prosumers—individuals who both produce and consume energy—remains challenging, particularly in communities with diverse behavioral patterns. This article addresses these challenges by proposing a mechanism that facilitates equitable energy sharing. It combines long short-term memory (LSTM) forecasts of prosumer energy demand and generation profiles with a relative contribution-based mechanism to manage of a shared battery energy storage system. This mechanism dynamically allocates energy based on a prosumer’s contribution index, which reflects their energy input into the system relative to their demand. A proportional acceptance factor is also introduced to ensure equitable participation in energy allocation, especially when storage capacity is limited. Experimental results demonstrate that integration of forecasting significantly enhances prosumer contributions, reduces disparities in energy access, and optimizes battery charging and discharging cycles. The integration of LSTM forecasting improves the overall fairness and efficiency of the energy management system. This study shows that the proposed mechanism fosters optimal collaboration among prosumers, particularly during high-demand periods or supply shortages. By aligning energy access with individual contributions and accounting for the dynamic nature of prosumers’ behavior, the approach supports energy justice and improves the reliability of battery energy storage systems in the community. These findings suggest that such mechanisms could play a pivotal role in future smart grid systems.
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 | 0,005 | 0,013 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| 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 | 0,003 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,001 | 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 ».