Dec, 2022

可再生能源中预测和优化问题的方法比较与评估

PDF
TL;DR本文介绍了 2021 年 IEEE-CIS 关于可再生能源调度的技术挑战赛的七个排名最高解决方案，比较和评估了这些解决方案，并提供了一个基准问题，以便在这个领域促进和便利研究。这场比赛使用了 Monash 微电网的数据、天气数据和能源市场数据，并专注于两个主要挑战：预测可再生能源的生产和需求，并获得活动（讲座）和现场电池的最低成本的最佳方案。最准确的预测由梯度提升树和随机森林模型得出，而优化大多使用混合整数线性和二次规划。
发现论文，激发创造
  • 基于人工智能的可再生交流微电网优化调度与双向 LSTM 风力发电预测

    本文提出基于教师学习优化的框架和基于双向长短期记忆的深度学习模型的组合，以实现考虑能量储存装置、风力涡轮机、微型涡轮机的可再生微网的优化调度。结果表明，本文提出的框架在微电网的优化调度方面是有效的和高效的。

    Jul, 2022

  • 虚拟电力厂下基于不确定性的实时能量调度的随机在线预测优化框架

    提出了一个实时的、具有不确定性感知的能源调度框架，由深度学习预测和随机优化等关键要素组成，旨在解决分布式能源资源聚合对电力系统带来的不确定性问题，实现最优和鲁棒的调度解决方案，并在智能建筑能源管理领域进行了全面实验证明。

    Sep, 2023

  • 微电网多目标优化调度的比较研究

    本研究通过多目标优化模型探讨微电网的运营和环境成本之间的关系，通过集成遗传算法、模拟退火、蚁群优化和粒子群优化等多种优化算法，提出了一种整合方法进行微电网优化。模拟结果揭示了经济和环境分派下，这些算法提供了不同的调度结果，揭示了柴油发电机和微型燃气涡轮在微电网中的不同作用。总体而言，本研究为微电网设计和运营提供了深入的见解和实际指导。

    Oct, 2023

  • 智能电网中太阳辐射预测的机器学习算法比较分析

    利用机器学习算法如随机森林、极端梯度提升、轻量级梯度提升机、CatBoost 和多层感知器人工神经网络来预测太阳辐照度，并通过特征选择进一步提高预测性能。

    Oct, 2023

  • 基于规划的强化学习实现可再生能源电力系统的实时调度

    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

  • 应用增强学习和时间序列预测技术解决风能和分布式光伏能源不确定性问题

    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

  • 基于注意力神经网络的高可再生功率系统中的最优功率流

    借助物理启示的机器学习方法，使用模仿学习和历史欧洲天气数据集，直接将电力需求和天气模式与电力调度和发电相互关联，从而实现实时最优功率流解决方案，并验证效果优于现有数据驱动技术，有助于可再生能源时代构建更具韧性的电力系统。

    Nov, 2023

  • 能效调度与预测

    在能效调度中，使用学习增强的算法框架，通过减小预测误差，实现多种能效调度问题的竞争比率改善。

    Feb, 2024

  • 可再生能源系统和电网优化中的分布式解决方案赋能

    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

  • 增强顺序市场清算通过面向价值的可再生能源预测

    通过价值导向的预测方法，我们提出了一种解决大量可再生能源进入电力市场带来的不确定性的方法，以降低日前和实时总体运行成本。

    May, 2024