智能家居能源管理:序列到序列负载预测和 Q 学习
本文提出使用基于 LSTM 的序列 - 序列学习模型来捕捉家用电器负载曲线,并使用 4 个住宅建筑物的真实数据集将其与 VARMA,Dilated One Dimensional 卷积神经网络和 LSTM 模型进行比较,结果表明,在大多数情况下,提出的 LSTM 序列 - 序列模型在预测误差方面优于其他技术。
Jun, 2021
本文介绍了一种基于 VAE-GAN 的生成模型技术以产生智能家居能源消耗的时间序列数据,并探讨了当生成模型与基于 Q 学习的 HEMS 相结合时的性能。实验结果表明,基于 VAE-GAN 生成的合成数据与真实数据分布非常接近,并且可以产生比基准方法更高性能的基于 Q 学习的 HEMS。
May, 2023
本文提出一种端到端的深度学习框架,以准确预测实时多步电力系统状态估计,该模型采用序列到序列框架和双向门控循环单元(BiGRUs),在现有模型中具有卓越的预测能力表现。
May, 2023
本文提出了一种高级 ML 算法 rTPNN-FES,该算法可以同时预测可再生能源发电和安排家庭用电,并能够消除预测和调度的差异,为智能家居提供了高效的需求控制和节约能源的解决方案。
Jul, 2023
本文提出了分层时序记忆(HTM)的序列记忆,使用无监督的 Hebbian-like 学习规则可以连续学习大量变序列。 HTM 序列记忆能够处理多元序列及预测,还具有连续的在线学习、处理多元及多分支序列的能力、传感器噪声稳健性和容错性等优点,可应用于离散和连续序列预测、异常检测和序列分类等多领域。
Dec, 2015
通过混合量子神经网络,该研究提出了两种模型来预测太阳能电池板的功率输出,其中第一种模型表现最好,降低了超过 40% 的平均绝对误差和平均平方误差;第二种模型则在没有气象数据的情况下,以比传统模型低出 16% 的平均绝对误差预测光伏功率,展现出量子机器学习在可再生能源领域中的潜在用途。
Dec, 2023
准确预测太阳能发电对于可持续能源系统的全球发展至关重要。本研究比较了量子长短期记忆(QLSTM)和经典长短期记忆(LSTM)模型在太阳能发电预测中的表现,结果显示 QLSTM 具有训练收敛加速和测试损失显著降低等优点。然而,要充分发挥 QLSTM 的潜力,需要进一步研究模型验证、系统超参数优化、硬件噪声韧性和相关可再生能源预测应用。通过严格基于真实数据的基准测试,本研究揭示了量子学习在可再生能源预测中的一个有前景的轨迹。进一步的研究和开发可以进一步实现该潜力,实现对全球太阳能发电的前所未有的准确性和可靠性预测。
Oct, 2023
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
本文探讨了在智能电网等关键基础设施中实现高效运营所需的精确电力负荷预测的问题,提出了基于深度学习模型应用于电力负荷预测问题的最新趋势,并通过实验评估了前馈神经网络、循环神经网络、序列到序列模型和时空卷积神经网络等多种深度学习模型在短期负荷预测方面的性能表现。
Jul, 2019
为了降低成本并推动本地可再生能源利用,本文基于欧盟技术指导,综合在线分层 EMS,并通过混合模糊推理系统 - 遗传算法模型和 LSTM 预测,实现智能电网中可再生能源社区成本最小化,并超越自给自足策略,实现 20% 的节约。
Jan, 2024