Climate-Adaptive Residential Demand Response Integration with Power Quality-Aware Distributed Generation Systems: A Comprehensive Multi-Objective Optimization Framework for Smart Home Energy Management
Notice bibliographique
Résumé
Climate change is transforming energy use at the residential level by increasing temperature fluctuations and sustaining extreme weather events. This study proposes a climate-reactive, multi-objective approach to integrate the demand response (DR) with distributed generation (DG) and power quality improvement under a multi-objective framework of an integrated climate-adaptive approach to residential energy management. A cognitive neural network combination model with bidirectional long short-term memory networks (bidirectional) and a self-attention mechanism was used to successfully predict temperature-sensitive loads. The hybrid deep learning solution, which applies convolutional and bidirectional long short-term memory (LSTM) networks with attention, predicted the temperature-dependent load profiles optimized with an enhanced modified grey wolf optimizer (MGWO). The results of the experimental studies indicated significant gains in performance: in energy expenditure, the studies reduced it by 32.7%; in peak demand, they were able to reduce it by 45.2%; and in self-generated renewable energy, the results were 28.9% higher. The solution reliability rate provided by the MGWO was 94.5%, and it converged more quickly, thus providing better diversity in the Pareto-optimal frontier than that of traditional metaheuristic algorithms. Sensitivity tests with climate conditions of +2 °C and +4 °C showed strategy changes as high as 18.3%, thus establishing the flexibility of the system. Empirical evidence indicates that the energy and peak demand are to be cut, renewable integration is enhanced, and performance is strong in fluctuating climate conditions, highlighting the adaptability of the system to future resilient smart homes.
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 ».