Oct, 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

PDF
TL;DR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。
nowcastingmarginal emissions factorspower systemsflexible power marketsconvolutional neural networks
发现论文，激发创造
  • 集成能源系统短期多能源需求预测的深度卷积神经网络

    开发基于卷积神经网络的六种新型预测模型，用于预测集成能源系统的多能源需求，评估结果使用信噪比和均方根误差进行。

    Dec, 2023

  • 物理知识引入的卷积神经网络用于微网经济调度

    利用卷积神经网络和深度学习技术，提出了一种基于数据驱动的方法来加速微网的实时经济调度，同时保持数值优化技术的准确性。

    Apr, 2024

  • 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

  • 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

    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。

    Sep, 2023

  • 基于统计学和机器学习模型的实时日常排放比较研究

    本文选用六种模型（灰色预测模型、ARIMA 模型、SARIMAX 模型、人工神经网络模型、随机森林模型和长短时记忆模型）对中国所有部门（电力、工业、地面交通、住宅、国内航空、国际航空）在 2020 年 1 月 1 日至 2022 年 9 月 30 日的日期间序列数据进行预测，结果表明长短时记忆模型具有最佳的预测性能。

    Feb, 2023

  • 风龙：自动深度学习增强风力发电预测

    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

  • 基于分段线性回归和扩张因果卷积神经网络的中长期日电力消费预测

    日常电力消耗预测是一个经典问题，本研究通过使用分段线性回归和扩张因果卷积神经网络构建两阶段预测方法，将每日电力消耗系列拆分为趋势、季节和残差三个组件，并引入距离变量来挑战传统节日预测，最终预测结果通过两阶段预测的求和得出，实验结果表明该方法较现有方法具有更高的准确性。

    Oct, 2023

  • 短期电力需求的任意分位数概率预测

    该论文提出了一种新颖的通用方法，能够预测任意分位数，并应用于两种不同的神经网络结构，在短期电力需求预测任务中取得了最新的分布预测结果。

    Apr, 2024

  • 一种用于多步风力预测的并行 CNN-RNN 方法

    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

  • 使用规范化流生成提前一天电力价格的多变量情境

    使用全数据驱动的深度生成模型 —— 正规流模型，在电力市场的实现和预测不确定性方面进行电力价格的概率预测。研究表明，正规流模型生成高质量的场景，能够复现真实价格分布并提供高度准确的预测结果；同时，该模型在适应不断变化的市场条件方面的改进，使其能够继续采样高质量的次日价格场景，并在俄罗斯入侵乌克兰导致的能源危机中发挥重要作用。

    Nov, 2023