AI-Enhanced Sustainable Energy Management and Policy Recommendations for the U.S. Power Sector
Notice bibliographique
Résumé
The transition to a sustainable U.S. power sector is faced with the challenge of balancing reliability, decarbonization, and affordability in more variable demand conditions. There is tremendous potential for artificial intelligence (AI) to make huge contributions to forecasting accuracy, optimizing resource allocation, and in developing policy and evidence-based policy. This paper presents a new model of hybrid artificial intelligence for sustainable energy management applications that consists of Long Short-Term Memory (LSTM), Gated Recurrent Unit (GRU) and Transformer networks combined with CatBoost meta-learner and then optimized with residual BiGRU-attention and α-blender. The proposed model was tested using the public dataset of hourly electricity generation and demand data from the United States of America with temporal and operational characteristics significant to grid planning. Experimental results indicate a very high performance of the hybrid model compared with baseline methods for all performance measures. Specifically, it had a minimum MAE (0.007503), minimum MSE (0.000102) and RMSE (0.010082) and highest R2 value (0.995954) than single Lstm, GRU, Catboost and Xgboost. Aside from technical performance, the study accomplishes three contributions: efficiency-enhancing energy management using AI-driven energy forecasting and optimization, American context - use of demand forecasting for renewable integration and grid balancing, and extending technical understanding to the policy advice for future adaptive regulations. By integrating AI analytics, policy design, and sustainability policy, this research makes a methodological contribution as well as a governance-centric framework with a focus on setting up AI as an accelerator for the sustainable transformation of America's power grid.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| 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 ».