Jul, 2023

智能电网中一种有效的 LSTM-DDPM 方案用于能量盗窃检测和预测

PDF
TL;DR智能电网系统中的能量窃取检测和能量消费预测是两个相关的挑战。该研究提出了一种组合了长短期记忆和去噪扩散概率模型的解决方案，通过利用重建和预测误差，系统能够识别能量窃取的实例。在实验中，该方案在能量窃取检测和能量消费预测问题上优于基准方法，并且集成方法显著提高能量窃取检测的性能。该研究为解决能量窃取检测和能量消费预测挑战提供了全面有效的解决方案，展示了智能电网系统的良好结果和改进的安全性。
energy theft detectionenergy consumption forecastingsmart grid systemslong short-term memorydenoising diffusion probabilistic model
发现论文，激发创造
  • DA-LSTM: 基于 LSTM 网络的区间负荷预测的动态漂移自适应学习框架

    本研究提出了一种动态漂移自适应长短期记忆模型，可在不需要漂移阈值设置的情况下，提高负载预测模型的性能，通过基于主动和被动适应方法的框架集成几种策略，并在云环境中部署来评估它在实际中的适用性。

    May, 2023

  • 基于深度学习的智能电网网络攻击检测模型

    通过使用人工智能技术，本研究提出了一种新颖的智能电网基于模型的网络攻击检测方法，以阻止监控控制和数据采集系统（SCADA）上接收的负载数据的数据完整性网络攻击（DIAs），并使用回归模型进行负载数据的预测，以及通过无监督学习方法对处理后的数据进行聚类，以实现最佳性能。实验结果表明，EE-BiLSTM 方法比其他两种方法更稳健和准确。

    Dec, 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

  • 一种混合残差扩张 LSTM 与指数平滑方法的中期电量负荷预测模型

    本研究提出了一种采用混合和分层深度学习模型进行中期负载预测的方法，该模型结合了指数平滑（ETS）、先进的长短期记忆（LSTM）和集成方法。模拟研究表明，该模型的性能非常高，竞争力强。

    Mar, 2020

  • 一种基于异常检测 LSTM 框架的不对称损失方法用于电力消耗预测

    通过应用多种 LSTM 模型和基于密度的空间应用噪声聚类（DBSCAN）异常值检测方法，剔除异常值，考虑到气象和社会因素，对三个考虑了每小时用电量，天气和日历特征数据集进行季节性划分，在所有季节性数据集中有效地减少了低估和高估误差，降低用电消耗的低估预测对于防止对社区造成损害的电力中断至关重要。

    Feb, 2023

  • 基于历史数据和环境因素的数据驱动能耗预测

    本研究通过使用历史能源数据、占用模式和天气条件，引入了一种基于长短期记忆（LSTM）模型的建筑能源消耗预测方法。该 LSTM 模型对于住宅和商业建筑的短期、中期和长期能源预测相比现有的预测模型具有更高的准确性。通过与线性回归、决策树和随机森林等已有预测方法的比较，我们的 LSTM 模型在所有指标上表现出色，具有 0.97 的最高 R2 得分和 0.007 的最佳平均绝对误差（MAE）。我们的模型还具有在受限数据集上实现高效能源消耗预测的能力。通过在实际数据上的严格训练和评估，我们解决了过拟合（方差）和欠拟合（偏差）的问题。总结而言，我们的研究通过提供一种优于其他方法的、具有出色效率、普适性和可靠性的强大 LSTM 模型，为能源预测做出了贡献。

    Sep, 2023

  • 基于深度学习的智能电网虚假数据注入攻击动态检测

    研究使用深度学习技术检测注入数据度量值的方法，运用卷积神经网络与长短时记忆网络，观察数据测量和网络水平特征以共同学习系统状态，以此有效估算系统变量，实验结果表明，这种深度学习算法可以识别传统状态估计坏数据检测无法检测到的异常。

    Aug, 2018

  • 使用长短期记忆网络的智能电网可再生能源需求预测模型 REDf

    本研究探讨使用基于深度学习的模型（REDF）来预测能源需求，以提高可再生能源的整合，并与 Facebook Prophet 和支持向量回归等算法进行了比较，结果表明 REDF 模型能以 1.4% 的平均绝对误差准确预测能源需求。

    Apr, 2023

  • 利用 LSTMs 进行日前电力价格和波动率的概率预测

    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

  • 使用长短期记忆网络进行自然语言处理的电力需求预测

    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