Application of Machine Learning in Energy Systems – a Comparative Analysis of Three Review Case Studies

The exponential growth in the number of papers published annually in the field of machine learning applications in energy systems presents a challenge to researchers seeking to conduct comprehensive and effective literature reviews. To address this issue, we took a systematic literature review approach with three distinct smaller case studies focusing on the application of machine learning in energy systems, namely 1. Machine learning in drilling, 2. Machine learning for rooftop solar energy potential quantification, and 3. Machine learning in district heating and cooling in the context of seasonal thermal energy storages. In each case, we employed a systematic literature review methodology. For topic one, we utilized an existing comprehensive review to generate further insights and information. For topics two and three, we used predefined search criteria to conduct relevant publications in a systematic and reproducible manner. We investigate the state of the art of the use of machine learning in these distinct areas of inquiry, thereby facilitating the identification of research gaps. Ultimately, we compare approaches and models utilized in each field, identified common best practices, and propose methods to address potential challenges. The instructions put together below fall into four categories.

La croissance exponentielle du nombre d’articles publiés annuellement dans le domaine des applications d’apprentissage automatique dans les systèmes énergétiques représente un défi pour les chercheurs cherchant à mener des revues de littérature exhaustives et efficaces. Pour répondre à cette problématique, nous avons adopté une approche systématique de revue de littérature avec trois études de cas distinctes se concentrant sur l’application de l’apprentissage automatique dans les systèmes énergétiques, à savoir : 1. L’apprentissage automatique dans le forage, 2. L’apprentissage automatique pour la quantification du potentiel énergétique solaire des toits, et 3. L’apprentissage automatique dans le chauffage urbain et le refroidissement dans le contexte du stockage saisonnier de l’énergie thermique. Dans chaque cas, nous avons utilisé une méthodologie de revue de littérature systématique. Pour le premier sujet, nous avons utilisé une revue complète existante pour générer de nouvelles perspectives et des informations supplémentaires. Pour les sujets deux et trois, nous avons utilisé des critères de recherche prédéfinis pour mener des publications pertinentes de manière systématique et reproductible. Nous étudions l’état de l’art de l’utilisation de l’apprentissage automatique dans ces domaines d’investigation distincts, facilitant ainsi l’identification des lacunes en recherche. En fin de compte, nous comparons les approches et les modèles utilisés dans chaque domaine, identifions les bonnes pratiques communes et proposons des méthodes pour relever les défis potentiels.

Energy systems Machine Learning Review Drilling ATES Geothermal Aerial Imaging District heating and cooling

Systèmes énergétiques Apprentissage automatique Révision Forage Stockage d’énergie thermique en aquifère Géothermique Imagerie aérienne Chauffage et refroidissement urbains