该研究评估了在多个电力网格上使用流行的机器学习和深度学习模型预测 LMP 的性能,表明机器学习模型相比传统的最优功率流求解器在 LMP 预测方面具有更快的速度和更低的误差率,这为大规模电力模型中的 LMP 预测提供了潜力。
Jun, 2023
通过对电力负荷预测的广泛技术进行综述,本文测试了人工智能驱动的短期负荷预测方法,包括 Facebook 的 Prophet 和 LSTM 模型,基于季节的 SARIMA 和平滑 Holt-Winters 模型,以及利用领域知识的经验回归模型。结果表明,在负荷预测任务中将持续性和回归项相结合可以实现最佳的预测准确性。
Feb, 2024
为了解决再生能源的间歇性对无碳电力发电的最大挑战,我们提出了一种电力定价代理,采用增强学习方法实现定价策略,通过价格信号鼓励顾客将用电需求转向高再生能源时段。
Mar, 2020
本文研究了如何通过反应需求实现频率调控来整合高比例的可再生能源资源对电力网的影响。作者提出一个分散的代理模型,通过多代理近端政策优化和本地化通信进行训练。同时,文中探讨了两种通信框架:手工设计或通过目标化的多代理通信进行学习。最终的政策可以良好地、稳健地完成频率调节,并可以在恒定处理时间下无缝扩展到任意数量的房屋。
Jan, 2023
通过基于 Proximal Policy Optimization (PPO) 的框架,使用循环奖励模型来最大化利润,相比其他简单算法在累积总利润方面取得了 30%以上的改进,该方法在复杂领域如金融市场中进行增强学习算法以规划行动方面表现出良好的潜力,同时提出了一种基于孤立波的长序列嵌入新方法,在使用随机浮点数据增强时表现优于普通嵌入方法。
Apr, 2024
该研究探讨了电力行业由中央集中化向分散化的转变,重点关注了机器学习在推动可再生能源和改善电网管理方面的关键作用。研究使用了人工神经网络、支持向量机和决策树等多种技术,将机器学习模型应用于预测可再生能源的生成和消耗,并采用数据预处理方法提高预测准确性。通过结合大数据和机器学习技术,智能电网能够提高能源效率、更有效地响应需求并更好地整合可再生能源。然而,需要解决大数据处理、网络安全和获取专业技术等挑战。总之,该研究揭示了电力行业由中央集中化向分散化解决方案转变,并通过应用机器学习创新和分布式决策塑造了更高效和可持续的能源未来。
Oct, 2023
该研究利用最新的强化学习算法和真实的电力网络环境,提出了一种系统的解决方案来解决传统能源调度面临的问题,并为电力系统提供了一个可持续的低碳未来。
Mar, 2023
本文介绍一种基于机器学习的拓扑优化代理和重新派遣优化器的拥堵管理方法,该方法在 L2RPN 2022 竞赛中排名第一,并将其应用于实际电力网操作中,证明了其效益和局限性,为明天的电网部署 RL 代理铺平了道路。
Feb, 2023
深度学习对电力价格产生影响,本研究探讨了预测误差如何传播到电力价格中,并揭示了拥挤电力系统中显著的定价误差及其空间差异。为了提高公平性,我们建议将电力市场结算优化嵌入深度学习层,通过这一层进行不同程度的预测和定价误差平衡,而不仅仅是最小化预测误差。该层能够隐含地优化公平性并控制系统中价格误差的空间分布。我们在风电预测和短期电力市场结算的交叉领域展示了价格感知的深度学习技术。
Aug, 2023
通过比较统计学、机器学习和深度学习模型在爱尔兰平衡市场上的表现,本研究发现短期电力市场和平衡市场是基本不同的构造,并提出了一种基于 LASSO 的 LEARN 模型,其在平衡市场上的预测表现优于更复杂和计算要求更高的方法。