本文提出了一种新的方法，通过从天空图像中提取特征并使用基于学习的技术来估计短期太阳辐照度，实现了对可再生能源的预测，该方法在计算复杂性方面比现有的算法具有更高的竞争力。

Oct, 2023

该研究利用替代气象参数预测尼泊尔潜在站点的太阳辐射，使用包括 CERES SYN1deg 和 MERRA-2 的近十年数据集，采用随机森林、XGBoost、K - 最近邻、LSTM 和 ANN-MLP 等机器学习模型，结果显示这些模型在预测太阳辐射方面具有高准确性，通过分析参数整合可显著提高预测准确性，并且神经网络模型表现出最佳性能。

Jun, 2024

利用机器学习技术，针对太阳能电池和光伏模块的 PVLIB 模型的已知和未知参数进行精确的估计，采用了人工神经网络算法，并与其他机器学习算法进行比较，结果表明所提出的方法在计算效率方面优于其他元启发式和机器学习算法。

Apr, 2023

该研究探讨了电力行业由中央集中化向分散化的转变，重点关注了机器学习在推动可再生能源和改善电网管理方面的关键作用。研究使用了人工神经网络、支持向量机和决策树等多种技术，将机器学习模型应用于预测可再生能源的生成和消耗，并采用数据预处理方法提高预测准确性。通过结合大数据和机器学习技术，智能电网能够提高能源效率、更有效地响应需求并更好地整合可再生能源。然而，需要解决大数据处理、网络安全和获取专业技术等挑战。总之，该研究揭示了电力行业由中央集中化向分散化解决方案转变，并通过应用机器学习创新和分布式决策塑造了更高效和可持续的能源未来。

Oct, 2023

通过混合量子神经网络，该研究提出了两种模型来预测太阳能电池板的功率输出，其中第一种模型表现最好，降低了超过 40% 的平均绝对误差和平均平方误差；第二种模型则在没有气象数据的情况下，以比传统模型低出 16% 的平均绝对误差预测光伏功率，展现出量子机器学习在可再生能源领域中的潜在用途。

Dec, 2023

用最先进的基于树的机器学习方法来预测光伏发电的日前准确性非常关键，该研究还考虑了气象和天文学因素对光伏发电产量的影响，以及粗粒度和细粒度空间位置的影响。这项研究的结果可以帮助电网运营商、决策者和其他利益相关者优化电网运营、经济调度，并促进分布式光伏发电的整合。

Nov, 2023

该研究通过应用机器学习算法，分析了各种算法在使用达卡市一个气象站 20 年数据预测降水和温度变化模式方面的贡献和性能指标。研究结果突出了显著成就，并提供了有价值的洞察和特征相关性。

Feb, 2024

提出了一个基于领域自适应深度学习的框架来估计太阳能发电量，该框架利用天气特征来解决太阳能发电预测中的挑战。该方法在计算速度、存储效率和改善预测准确性方面在加利福尼亚（CA）、佛罗里达（FL）和纽约（NY）等地的太阳能发电预测中显示出明显优势。

Jan, 2024

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

该研究比较了随机森林和梯度提升算法在基于历史数据预测能源消耗方面的性能，并使用加权平均集成方法将两种算法单独应用于能源消耗的预测，实验结果表明，加权平均集成方法比两种算法单独应用提供更准确的结果。

Jul, 2022