Machine Learning‐Assisted Renewable Energy Uncertainty Compensation With Demand Response: An Analysis of Ship Energy Systems
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
The integration of solar power systems into cruising ships is gaining popularity in the marine sector due to the restrictions imposed by the Marine Pollution Protocol and the rapid growth of photovoltaic (PV) technology. However, this integration brings various challenges in the operation of the ship energy system, including resource uncertainty, power imbalance, and reduced service reliability. Therefore, this study proposes a novel three‐stage operation strategy for ship multienergy systems to compensate for the uncertainty of PV generation. In Stage 1, a day‐ahead scheduling process is performed to determine the setpoints of major system components. The goal is to minimize operating costs while meeting electrical, heating, and cooling demands. In Stage 2, a deep neural network‐based PV prediction model is developed. Particle swarm optimization is used to achieve fast convergence and high accuracy. A detailed statistical analysis is then applied for early detection of data drift, which may cause a significant drop in prediction accuracy. The uncertainty of PV output is then estimated based on the new trends observed in the incoming dataset. In Stage 3, a demand response (DR)‐based scheme is introduced to compensate for the uncertainty of PV power, identified in Stage 2. The DR programs allow sharing the load demand among different intervals by adjusting controllable loads. As a result, the amount of power mismatches caused by the uncertainty factor has decreased. Finally, simulation results also demonstrate that the amount of load shedding requirement in the ship energy system is significantly reduced using the proposed method.
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.
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 | 0,001 | 0,003 |
| 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) | 0,001 | 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 découle