研究通过 hierarchies、linear regression 和 machine learning 方法比较不同时间和横截面调和方法的准确性，发现 cross-temporal reconciliation 能在多个时间聚合上优于 individual cross-sectional reconciliation，同时机器学习模型在较粗的时间粒度上也表现出高准确性，鼓励其在短期风力预测中的采用。此外，研究还发现在横截面风力时间序列上，线性回归模型可以胜过机器学习模型。

Aug, 2023

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

通过评估和比较四种基于机器学习的风力发电预测模型，我们发现卷积神经网络在纠正和改进从数值天气预报模型中提取的 48 小时风力预测方面取得了最好的结果，平均归一化均方根误差降至 22％，同时减少了均方根误差，并且未来研究应当探究模型流程的变化以提高预测性能。此外，我们引入了连续学习策略，该策略在新数据可用时取得了最高的预测性能提升。

Feb, 2024

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

本文介绍了一种创新的方法，利用自动深度学习结合数值天气预报风速地图，准确预测全国范围内的短期（1 到 6 小时）风力发电。

Feb, 2024

本文提出了一种基于联合出价的优化策略，通过深度强化学习将风电场和 BESS 的竞价市场融合，有效缓解了风力抑制和电量储存的问题，并在实验中验证了该策略的可行性和优越性

Apr, 2023

该研究针对时空动态风力数据集提出了时间序列预测任务，采用梯度提升决策树与循环神经网络相结合作为解决方案，辅以特征工程和评估设计，取得了较好的预测结果。

Aug, 2022

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

本文提出了一种融合卷积神经网络和循环神经网络的 CNN-RNN 结构，使用来自地理网格多个点的气象数据和风电场的时间信息进行日前风电预测，并在全球预测中取得了较好的结果，与传统模型相比，更好的实现了空间特征提取。

Jan, 2023

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