Renewable Energy and Artificial Intelligence: Smart Energy Management Models for Developing Cities
Notice bibliographique
Résumé
Against the background of intensive urbanization, the growing cities are faced with considerable difficulties in the area of sustainability, but they are also promising fields of innovative development.This paper questions how artificial intelligence is used in renewable energy systems, focusing on the design of such systems, their implementation, and the empirical evaluation of smart energy management models specific to the kind of needs of the emergent urban environment in less developed countries.Our study, based on a series of AIbased experiments, includes structured surveys, field surveys, and advanced statistical reviews, proving that it is possible to achieve up to fifteen percent energy efficiency, up to twelve percent grid reliability, and user satisfaction, which is more than an order of magnitude higher when compared to traditional methodologies.This empirical assessment is a detailed overview of the latest literature that is indexed in Scopus in the period 2022-2025, which shows the current development and points out the significant gaps, especially in the social and organizational aspects.The systems theory, optimization theory, and principles of responsible artificial intelligence are the methodological basis of the approach, where the inquiry is both technically sound and ethically sound.Its results highlight the potential changes in artificial intelligence that can be applied in the provision of scalable and reliable management of renewable energy sources in resource-constrained urban settings.The conclusion of the paper is to suggest ways of integrating the policy, to make AI human-oriented, and to provide future research directions that will support sustainable urban development.
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 | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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 ».