电动车充电情况下个体家庭间隔负荷预测
通过使用多尺度时空增强模型(MSTEM),本研究在电动汽车充电站(EVCS)的精确负载预测方面提出了一种解决方案,该模型通过多尺度图神经网络以及回归学习组件和残差融合机制的整合,能够准确捕捉电动汽车充电行为的非线性、不同站点之间的空间相互作用以及使用模式的复杂时间变化,并在实际数据集上验证了其优越性。
May, 2024
预测电动汽车(EV)充电事件对于负载调度和能源管理至关重要,本研究使用历史智能电表数据开发了一种家庭充电预测方法,借鉴非侵入式负载监测(NILM)的概念,通过基于自注意力机制的变压器模型,提供了未来 EV 充电事件的预测信息,本方法在一分钟间隔提供高达 96.81%的准确性,适用于网格运营商的实际需求。
Mar, 2024
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
本文提出了一种利用文本新闻特征的长短期记忆网络(LSTM)来成功预测英国国家电力需求的确定性和概率任务。实验结果表明,带有文本特征的 LSTM 相对于纯 LSTM 基准模型改进了 3% 以上,相对于官方基准模型改进了近 10%。此外,该模型能够通过缩小置信区间和使预测分布更接近真实值来有效地降低预测的不确定性。
Sep, 2023
该论文提出了一种名为 PAG 的新方法,通过图形和时间注意机制实现特征提取,并在模型预训练阶段使用物理知识引导元学习,以应对训练准确且可解释的预测模型的新挑战,从而实现电动汽车充电需求的准确预测和适应于价格波动引起的充电需求的变化的能力。
Sep, 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
该研究使用统计学和机器学习方法来预测国家电力需求,构建了一个完整的长、中、短期电力需求预测模型,其中跨度长的年度趋势采用宏观经济回归分析,中期模型采用温度和日历回归器,短期模型通过多个 ARMA 模型来捕捉小时级别的季节性,结果表明两年外部采样预测精度可达 96.83%。
Apr, 2023
本研究开发了一种新的微聚类深度神经网络(MCDNN)算法,通过学习电动汽车行程和充电数据来预测充电事件,为电力负荷聚合器和电力管理者提供充电站和电力容量的有效分配。数值发现表明,所提出的 MCDNN 在预测充电事件方面比支持向量机、k 最近邻、决策树和其他基于神经网络的模型更有效。
Jul, 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
准确预测电力价格对于电力系统管理和智能应用的发展至关重要。本研究提出了一种用于德国 - 卢森堡次日电力价格的长短期记忆(LSTM)模型,通过应对俄罗斯入侵乌克兰后欧洲电力价格的大幅上涨和高度波动等挑战,来应对现有预测方法的局限。LSTM 的循环结构允许该模型适应价格趋势,同时通过同时预测均值和标准差,实现了概率性预测。使用超统计学的物理启发方法来解释价格的统计特性,本研究表明 LSTM 模型能够忠实地重现价格和其波动情况。
Oct, 2023