Transformer-based predictive energy management in hydrogen-integrated renewable systems
Notice bibliographique
Résumé
Hydrogen, once produced from renewable energy via water electrolysis, can power zero-carbon transportation with the additional benefits of reducing combustion-generated air pollutants including particulates and greenhouse gases. Meanwhile, storage of hydrogen, in either its gaseous or liquid form, does not require rare-earth materials and hence it becomes more economic and environmentally friendly. Incorporating hydrogen and battery storage technologies into an advanced predictive energy management approach to electrolysis based systems can significantly enhance renewable energy utilization, optimize power use from grid, improve system adaptability, and increase overall energy efficiency. This study develops a dynamic energy management algorithm by employing transformer-based time series models for accurate demand forecasting, which enables rolling window optimization using model predictive control. Simulation results indicate that this approach improves demand forecasting accuracy by 41.21% and increases the adjusted green hydrogen production rate from 29.54% to 54.3% compared to the conventional model. It is further demonstrated that the renewable-based hybrid energy storage system can achieve a renewable energy production ratio of 71% with an effective 95% renewable energy utilization rate, while the grid dependency is reduced from 57% to 43%. This study proposes a novel dynamic energy management approach in a hydrogen-integrated Renewable Energy System, using transformer-based models for time series forecasting and a model predictive control framework for rolling window optimization. • Preformed transformer-based rolling window optimization for dynamic energy management • Developed a predictive model for hydrogen-integrated renewable energy systems • Revealed the strategy to improve green hydrogen production while reducing the grid dependency
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) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 ».