AI-Powered Decentralized Energy Trading Platform with BiLSTM-based Generation Prediction and Carbon Footprint Analysis
Notice bibliographique
Résumé
The increasing complicacy of centralized power trading systems exposes them to risks such as price manipulation and cyberattacks. In contrast, the decentralized and immutable characteristics of blockchain technology present a promising solution to increase the integrity and efficiency of these systems. This paper proposes a decentralized energy trading platform that integrates machine learning (ML) for energy generation prediction and a carbon footprint calculator. The blockchain component is implemented on the Ethereum platform, utilizing smart contracts written in Solidity, with testing conducted via Ganache. The energy generation forecasting leverages a Bidirectional Long Short-Term Memory (BiLSTM) model, which illustrates superior accuracy and minimal validation loss compared to Stacked LSTM and Vanilla LSTM models. LSTMs are recognized as effective tools for predicting energy generation due to their capability to capture temporal dependencies in data. To obtain real-time weather data, the Weatherstack API is employed, allowing for accurate energy generation predictions based on current conditions. The model is trained on two datasets including energy production and weather data from five cities in Spain. Additionally, the platform features a carbon footprint calculator that calculates CO2 emissions associated with various energy purchases, comparing them against emissions from fossil fuel consumption. The integration of decentralized energy trading, accurate energy generation forecasting, and a carbon footprint assessment tool concludes in a comprehensive platform hosted locally using React. This innovative approach not only improves transparency and security in energy transactions but also promotes sustainability by informing users about their environmental impact.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».