该研究论文提出了一种物理引导的神经网络,利用频率增强的傅里叶模块和矩损失来增强模型估计时空动态的能力,并提出了具有物理约束的自适应二阶龙格 - 库塔方法,以更准确地建模物理状态。实验结果表明,该模型在时空预测和视频预测任务中表现出色,在多个数据集上具有最佳性能,而参数数量却更少。
May, 2024
本文利用深度学习与循环神经网络算法,提出一种时空风速预测模型,并利用其进行风能预测。研究结果表明,该模型不仅可以显著提高短期预测水平,同时可以模拟并预测获得更多数据的实体之间的相互作用。
Jul, 2017
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
本文介绍了使用深度卷积神经网络预测太阳能辐射强度的初步结果,并探讨了训练算法的图像识别技术,和利用过去相同日期数据进行训练以提高短期预测技能的方法。
May, 2020
本文旨在介绍各种深度学习方法以提高能源时间序列预测性能,特别强调希腊能源市场的应用。
Jun, 2023
本文采用深度学习,设计了一个利用卫星数据的时空上下文来高精度预测全球水平辐照度(GHI)的天际时间序列预测模型,并提出了一种预测不确定性分布的方法。作者通过将特别困难的日子(在这项研究中特别是经历变化多端的多云天)与简单的日子分开来评估模型性能,提出了一种测试方案。同时,作者还提出了一个新的多模态数据集,收集了来自多个地理位置不同的太阳能站的太阳能辐射和其他相关物理变量的卫星图像和时间序列。该方法在太阳辐照度预测中表现出鲁棒性,包括在未观测到的太阳能站进行零样本推广测试,并极有潜力促进太阳能与电网的有效整合。
利用机器学习进行深度学习模型的季节性火灾预报,研究发现在全球范围内,考虑更长时间序列和整合空间信息可以提高火灾预测性能,并建议在更长的预测时限内考虑更大的空间范围以提高预报准确性。
Apr, 2024
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
本文利用三个异构数据集探索了太阳能预测模型的三种不同训练策略,并比较了局部模型和全局模型的性能,结果表明预训练模型在少量训练数据下可以优于其他两种策略。
Nov, 2022
提出 SolNet: 一种新颖的、通用的、多变量的太阳能发电预报模型,通过使用来自 PVGIS 的丰富合成数据进行迁移学习,然后在观测数据上进行微调,解决了太阳能预测中数据匮乏的挑战,并通过荷兰、澳大利亚和比利时的实际生产数据展示了其在预测性能上的优势。