Apr, 2024

基于多地天气数据指导的高效确定性可再生能源预测

PDF
TL;DR利用多地天气预报的 U 型时间卷积自编码器（UTCAE）方法和多尺度核卷积空时注意力（MKST-Attention）机制，该研究提出了一种新的方法来确定多个发电站的确定性风能和太阳能发电预测，试验评估表明该方法在五个数据集上的日前太阳能和风能预测场景中取得了最佳结果，优于所有竞争的时序预测方法。
renewable energy sourcessolar and wind powerenergy generation forecastingmulti-location weather forecastsutcae architecture
发现论文，激发创造
  • 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

  • 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

  • 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

  • 利用历史发电和天气数据的分层时序卷积神经网络进行区域光伏日前功率预测

    本文提出了两种基于深度学习的区域太阳能发电预测方法，分别使用单一分层时序卷积神经网络和基于子区域的时序卷积神经网络，通过利用聚合和个体数据，以及区域内的天气数据进行预测。利用 101 个西澳大利亚地点收集的大量数据进行评估，与其他方法相比，子区域时序卷积神经网络在减少个体网络数量的同时，能够以 40.2% 的预测技巧得分降低 6.5% 的统计显著误差。

    Mar, 2024

  • 结合变分自动编码器和径向基函数核的相关风电和太阳能的长期逐小时情景生成

    本文提出一种基于变分自编码器和径向基函数核的创新方法，可以生成适用于风能和太阳能发电的长期每小时情景，利用该方法生成的情景具有高度相关性，精确捕捉了这些能源的时间和空间特征；本方法提供了改进的准确性和稳健性，可用于更好的管理可再生能源的波动性和间歇性。

    Jun, 2023

  • 无关位置的无源域自适应学习预测太阳能发电

    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

  • 利用 SCADA 数据和连续学习进行风力发电预测的偏差校正

    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

  • 光伏和风力发电合成预测数据

    本论文提出一个可公开获取的带有真实合成功率数据的时间序列数据集，其中包括 120 个太阳能和 273 个风电站，并使用物理模型和真实气象测量值进行了虚拟电厂的仿真，同时结合物理模型和机器学习模型对天气预报为基础的功率预测进行了评估。

    Apr, 2022

  • 基于综合预测的混合和堆叠有状态 / 无状态模型分析

    本研究通过使用四种深度递归神经网络模型，对 Mississippi State 大学校园附近机场站点的短期风速进行预测，详细描述了模型的体系结构、效率以及通过 RMSE 值获得的结果，并讨论了上述模型的时间和空间复杂度。

    Apr, 2024

  • 深度预测：基于深度学习的时空预测

    本文利用深度学习与循环神经网络算法，提出一种时空风速预测模型，并利用其进行风能预测。研究结果表明，该模型不仅可以显著提高短期预测水平，同时可以模拟并预测获得更多数据的实体之间的相互作用。

    Jul, 2017