Sep, 2023

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

PDF
TL;DR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。
发现论文，激发创造
  • 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

  • 可再生能源中预测和优化问题的方法比较与评估

    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。

    Dec, 2022

  • 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

  • 通过上下文元图强化学习实现具有高通用性和少样本适应性的随机动态电力调度

    提出了一种新颖的上下文元图增强学习 (Meta-GRL) 方法，用于高度通用的多阶段最优调度策略，通过引入更通用的上下文马尔可夫决策过程 (MDP) 和可扩展的图表示来实现更通用的多阶段随机电力调度建模，经过足够的离线学习后，该方法可以快速适应未知和未定义的情景。

    Jan, 2024

  • 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

  • 利用数据驱动的需求预测的能源集成优化随机模型预测控制

    本文提出了一种基于 “随机模型预测控制器” 的方法来针对电力和热需求的不确定性，应用高斯过程构建历史数据的需求预测模型，采用情景法从产生的预测模型中进行多步需求轨迹抽样，并在模拟能源中心模型和真实建筑需求数据上验证了所提出的预测器和随机控制器的性能优势。

    Apr, 2023

  • 利用多头卷积神经网络和深度生成模型实现次日边际排放的即时预测

    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

  • 直流最优潮流的统计学习

    本文研究了面对日益增加的可再生能源不确定性的情况下，最优潮流问题的控制策略，提出了一种基于组合控制策略的方法来跟踪最优设定点，在很少的基础上使用统计学习方法进行学习来获得高效的控制策略。

    Jan, 2018

  • 用于发电系统预测轨迹的深度生成方法

    使用深度学习模型生成能源生产和负荷预测轨迹，以应对可再生能源在电力混合中的扩大所引起的电网变动性增加的问题。

    Sep, 2023

  • 带安全强化学习的应急情况受限经济调度

    在未来的电力系统中，将大量依赖于具有高比例的分散式可再生能源和能量存储系统的微电网。出于复杂性和不确定性的原因，在这种情境下的传统能源调度策略可能不可行，利用基于强化学习的控制器可以解决这一挑战，但不能提供安全保障，于是我们提出了一种经过正式验证的基于强化学习的经济调度控制器，来克服这种局限性。

    May, 2022