使用生成对抗网络进行无模型可再生场景生成
利用图卷积生成对抗网络进行风能场景生成,通过采用图卷积和一维卷积提取时间空间特征和空间相关性,相较于其他基于生成对抗网络的输出产生更具现实性的场景。
Dec, 2022
本文探讨了利用生成对抗网络 (GANs) 进行时序数据的合成预测,从而实现在数据中心 (Data Center) 中生成大量可供人工智能算法使用的合成数据的目标,同时提出了通过综合考虑 Kullback-Leibler 散度和均方误差这两个新测量指标来验证合成时间序列的方法,并通过实际数据进行验证。该研究能帮助优化数据中心的能源消耗,而所提出的方法也可应用于类似的时间序列问题。
Jan, 2022
本文提出一种基于变分自编码器和径向基函数核的创新方法,可以生成适用于风能和太阳能发电的长期每小时情景,利用该方法生成的情景具有高度相关性,精确捕捉了这些能源的时间和空间特征;本方法提供了改进的准确性和稳健性,可用于更好的管理可再生能源的波动性和间歇性。
Jun, 2023
提出了一个基于领域自适应深度学习的框架来估计太阳能发电量,该框架利用天气特征来解决太阳能发电预测中的挑战。该方法在计算速度、存储效率和改善预测准确性方面在加利福尼亚(CA)、佛罗里达(FL)和纽约(NY)等地的太阳能发电预测中显示出明显优势。
Jan, 2024
本研究利用生成式对抗网络,学习电动汽车充电过程的分布规律,为电网运营商应对交通运输领域向低碳化方向的转型提供一种新型的数据仿真方法.
Aug, 2021
使用相关元数据来生成高质量的合成能源数据的条件扩散模型相比于传统方法表现出更好的性能,具有较低的 Frechet Inception Distance(FID)得分和 Kullback-Leibler divergence(KL 散度)的减少。
Mar, 2024
使用基于生成对抗网络 (GANs) 的有条件 GAN 的 geospatial downscaling 方法,从低分辨率输入中生成高分辨率准确的气候数据集,并明确考虑了下尺度过程中的不确定性。
Feb, 2024
本文提出了一个新的框架,使用长短期记忆(LSTM)时间序列预测和深度确定性策略梯度 (DDPG) 多智能体强化学习算法来解决可再生能源不确定性在智能电网中带来的挑战和分布能源管理中的新挑战,旨在同时考虑两个目标,从而实现对批发和零售市场的高效能源管理,并证明建议的解决方案显着提高了载荷服务实体(LSE)的利润,同时使用 DDPG 代理实现人工智能电池充电 / 放电,以最大化分布式 PV 和电池安装用户的利润。
Feb, 2023
本文提出了基于去噪扩散概率模型的深度学习生成方法,首次应用于利用全球能源预测竞赛 2014 的开放数据进行能源预测。结果表明,这种方法与其他最先进的深度学习生成模型竞争力相当。
Dec, 2022