通过对电力负荷预测的广泛技术进行综述，本文测试了人工智能驱动的短期负荷预测方法，包括 Facebook 的 Prophet 和 LSTM 模型，基于季节的 SARIMA 和平滑 Holt-Winters 模型，以及利用领域知识的经验回归模型。结果表明，在负荷预测任务中将持续性和回归项相结合可以实现最佳的预测准确性。

Feb, 2024

电力消耗预测是确保电网性能和稳定性的关键，本文介绍了自动深度学习在负荷预测中的应用，并通过自动选择特征和优化网络架构和超参数，展示了能够超越现有方法的原创深度学习模型。

May, 2024

自动驾驶需依赖多种传感器和高性能计算单元搭载的 AI 模型，但面临着巨大数据负担和能耗问题，本文回顾了连接车辆应用、车辆通信、Edge AI 技术的最新进展并重点关注能源效率，探讨了提高能源效率的方法，为低功耗、内存受限制的系统和自主车辆的能量优化提供了启示。

Apr, 2023

通过整合可解释的人工智能技术与自适应学习，本论文提出了一种方法来增强能源消耗预测模型，重点处理数据分布变化。利用 SHAP 聚类方法，我们的方法能够为模型的预测结果提供可解释的解释，并利用这些洞察力来自适应地改进模型，平衡模型复杂度和预测性能。我们引入了一个三阶段的过程：(1) 获取 SHAP 值以解释模型的预测结果，(2) 通过聚类 SHAP 值来识别不同的模式和异常值，以及 (3) 根据得到的 SHAP 聚类特征来改进模型。我们的方法能够减轻过拟合并确保处理数据分布变化的鲁棒性。我们在一个包含建筑物能耗记录以及两个额外数据集的综合数据集上评估了我们的方法，以评估我们的方法在其他领域、回归和分类问题中的可迁移性。我们的实验结果表明，我们的方法在两种任务类型中均具有有效性，能够改善预测性能并提供可解释的模型解释。

Feb, 2024

该论文提出了一种名为 PAG 的新方法，通过图形和时间注意机制实现特征提取，并在模型预训练阶段使用物理知识引导元学习，以应对训练准确且可解释的预测模型的新挑战，从而实现电动汽车充电需求的准确预测和适应于价格波动引起的充电需求的变化的能力。

Sep, 2023

该研究使用统计学和机器学习方法来预测国家电力需求，构建了一个完整的长、中、短期电力需求预测模型，其中跨度长的年度趋势采用宏观经济回归分析，中期模型采用温度和日历回归器，短期模型通过多个 ARMA 模型来捕捉小时级别的季节性，结果表明两年外部采样预测精度可达 96.83％。

Apr, 2023

通过跨地理分散的电动汽车充电站和联邦学习的高效变种，结合最新进展的 Transformer 架构，提出了一种通信高效的时间序列预测模型，具有与其他模型相媲美的性能，但在训练过程中消耗更低的数据速率。

Sep, 2023

本文提出了一种方法学习如何在能源领域中开发，部署和评估 AI 系统，以提高其可靠性、可控性和解释性，使用电力系统事件预测（PEF）作为示例应用，通过对同步相量测量单元（PMUs）测量的相量数据进行物理理解和采用基于机器学习的算法来预测所需需求，将物理维度与机器学习模型融合，实现降维和提高预测精度的目标。

Nov, 2021

本文提出了一种能够使用乘客船只的实时数据来预测燃油消耗的模型，采用统计和领域知识方法选择合适的输入变量，其中包括多元线性回归、决策树、人工神经网络和集成方法进行预测。最佳的预测性能来自于使用 XGboost 技术的集成方法。

Oct, 2023

本文提出了一种基于深度神经网络（ENN）的集成学习方法，旨在减少交通工具能效预测中的不确定性并输出不确定性度量，该方法在公开的车辆能源数据集（VED）上表现出了高的预测性能和预测不确定性度量。

Apr, 2023