Oct, 2023

可再生能源系统和电网优化中的分布式解决方案赋能

PDF
TL;DR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。
machine learningrenewable energygrid managementsmart gridsenergy systems
发现论文，激发创造
  • 深度学习在智能需求响应和智能电网方面的应用：综合调查

    本论文综合调查了深度学习在智能电网和需求响应中的应用，主要包括负载预测、状态估计、能量盗窃检测、能源共享与交易等方面，并提出了如何充分利用深度学习技术应对该领域中的重要问题和潜在方向。

    Jan, 2021

  • 电力系统中的机器学习是否存在漏洞？

    本文探讨了机器学习在电力系统中的安全性问题，并指出目前大多数算法容易受到对抗性输入数据的攻击，因此需要设计更加健壮和安全的算法。

    Aug, 2018

  • 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

  • 增强可再生能源的统一机器学习任务与数据集

    通过引入集合 ETT-17（Energy Transition Tasks-17）和一种多任务机器学习模型，该研究分析了与增强可再生能源相关的 17 个数据集，并提供了性能基准。

    Nov, 2023

  • 智能电网中太阳辐射预测的机器学习算法比较分析

    利用机器学习算法如随机森林、极端梯度提升、轻量级梯度提升机、CatBoost 和多层感知器人工神经网络来预测太阳辐照度，并通过特征选择进一步提高预测性能。

    Oct, 2023

  • 利用深度学习方法支持未来电力工具：在 EMS 和 DMS 算法中的应用

    本论文综述了近期基于深度学习算法的电力系统监测和优化算法，以应对由于可再生能源资源集成而引起的电力系统的规模、复杂性和动力性的增加，以及历史测量数据收集的趋势和快速发展的深度学习领域的最新进展。

    Mar, 2023

  • 人工智能在可再生能源领域的现状与未来发展：全面调查

    利用人工智能算法，研究了人工智能在可再生能源领域的应用，包括可再生能源发电、能源预测和能源系统优化等方面，分析了其性能和结果，并总结了人工智能在能源行业发展中的重要性和未来方向。

    Jun, 2024

  • 面向能量感知的蜂窝网络联合流量预测

    通过提出一个可评估机器学习模型可行性的新方法，本文在实际基站测量的基础上，对巴塞罗那地区的联邦学习场景中使用的最先进的深度学习体系结构进行全面评估，发现较大的机器学习模型在性能上略有提升，但在碳足迹方面产生了显著的环境影响，使其在实际应用中不切实际。

    Sep, 2023

  • 智能电网中基于机器学习的对抗攻击方法研究

    研究探讨了智能电网中机器学习的安全性问题，发现深度神经网络方法易受对抗性扰动影响，并指出目前机器学习算法在智能电网中面对各种对抗性攻击的弱点，尤其是在故障定位和类型分类方面。

    Mar, 2023

  • 使用机器学习预测逆变器优势电力网的失效穿越概率

    通过分析合成电网模型和进行动力学模拟，我们证明机器学习模型能够准确预测合成电网的故障耐受概率，并展示了机器学习方法在研究电网的概率稳定性方面的潜力。

    Jun, 2024