使用基于深度学习的方法，从不连续的风能数据中进行多模态连续分辨率的风能数据预测，并进行数据维度降低。

Jan, 2024

在本文中，我们提出了 EWMoE 模型，它是一种能够准确预测全球天气的有效模型，它只需要较少的训练数据和计算资源，并利用 Meteorology-specific embedding、核心 Mixture-of-Experts (MoE) 层和两个特定的损失函数来提高预测准确性。通过对 ERA5 数据集进行了评估，并仅使用了两年的训练数据，我们进行了大量实验证明，EWMoE 在所有预测时间上均表现优于 FourCastNet 和 ClimaX 等当前模型，在异常相关系数（ACC）和均方根误差（RMSE）等评估指标上与最先进的 Pangu-Weather 模型具有竞争力。此外，消融实验结果表明，在天气预测中应用 MoE 架构可以显著提高准确性和资源效率。

May, 2024

利用多地天气预报的 U 型时间卷积自编码器（UTCAE）方法和多尺度核卷积空时注意力（MKST-Attention）机制，该研究提出了一种新的方法来确定多个发电站的确定性风能和太阳能发电预测，试验评估表明该方法在五个数据集上的日前太阳能和风能预测场景中取得了最佳结果，优于所有竞争的时序预测方法。

Apr, 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

通过使用多头卷积神经网络，本研究提出为给定的独立系统运营商生成次日边际和平均排放预测的方法，并呈现了一种近实时的工作流程以完全开发给定调度计划的排放影响。

Oct, 2023

本研究提出一种多模态分布式机器学习框架（MultSL）来改善毫米波接收功率预测的准确性，该框架利用相机图像和射频（RF）信号进行输入，并运用以隐私保护和通信效率为基础的多模态分布式机器学习方法。实验评估表明，MultSL 比使用单一输入方式的基准模型具有更高的准确度。值得注意的是，通过将框架中的低段输出压缩 16 倍，无需损失准确度，可以获得 16 倍的通信延迟和 2.8％的更少隐私泄露。

Mar, 2020

本文提出了一种新颖的智能混合风速预测模型（ICEEMDAN-TNF-MLPN-RECS），相较于现有技术在不同的时间范围内实现了更高的精确度，降低了电力系统工程师的工作量。

Apr, 2022

通过在计算机视觉领域的研究成果的基础上，针对可再生能源进行模型选择和适应的全面实验表明，将多个模型组合起来可以显著提高模型选择和适应方法，并使用神经网络提取特征，并采用贝叶斯线性回归方法进行预测，而只需 7 天的训练数据即可胜过基线。

Apr, 2022

本研究提出了 Masked Multi-Step Multivariate Probabilistic Forecasting （MMMPF）框架，通过结合过去的时间信息和未来的已知信息来进行概率预测，以训练任何能够生成输出序列的神经网络模型，用于短期和中期的多区域电力需求预测，并通过各种机器学习方法进行比较验证，结果表明提出的 MMMPF 框架不仅优于基于样本的方法，还优于现有时间序列预测模型。使用 MMMPF 训练的模型还可以生成期望分位数以捕获不确定性，并实现未来电网的概率规划。

Feb, 2023

通过引入集合 ETT-17（Energy Transition Tasks-17）和一种多任务机器学习模型，该研究分析了与增强可再生能源相关的 17 个数据集，并提供了性能基准。

Nov, 2023