用于发电系统预测轨迹的深度生成方法
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
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
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
本文提出了基于去噪扩散概率模型的深度学习生成方法,首次应用于利用全球能源预测竞赛 2014 的开放数据进行能源预测。结果表明,这种方法与其他最先进的深度学习生成模型竞争力相当。
Dec, 2022
该论文提出了一种基于深度神经网络的实时电力系统监控、状态估计和预测方法,该方法在 IEEE 118 总线基准系统上的实验表明,相较于现有的 PSSE 求解器,该方法的性能提高了接近一个数量级。
Nov, 2018
本文利用深度学习与循环神经网络算法,提出一种时空风速预测模型,并利用其进行风能预测。研究结果表明,该模型不仅可以显著提高短期预测水平,同时可以模拟并预测获得更多数据的实体之间的相互作用。
Jul, 2017
为了应对气候变化,需要提高可再生能源在电力生产中的份额。在分散化、惯性减小和生产波动性等方面,可再生能源为电力网络引入了新的挑战。本研究利用图神经网络以分析电力网动态稳定性的计算工作量,发现其在仅基于拓扑信息的情况下预测非线性目标非常有效。此外,应用所提出的方法,还能准确识别出电力网的易受攻击的节点。最后,发现在小型电力网上训练的 GNN 在对得克萨斯电力网的大型模型进行预测时,也具有准确性和实用性。
Jun, 2022
本文提出一种端到端的深度学习框架,以准确预测实时多步电力系统状态估计,该模型采用序列到序列框架和双向门控循环单元(BiGRUs),在现有模型中具有卓越的预测能力表现。
May, 2023