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
本文研究如何更好地利用消费者的电表读数来估算负载情况以实现电力网络规划优化,并使用深度神经网络方法与传统方法进行比较,结果表明深度神经网络方法优于传统方法,该方法可用于提高动态定价的支持。
Jun, 2016
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。
Oct, 2023
本文介绍 PhICNet 的混合框架,将基于物理的数值模型与深度学习结合,实现源识别和预测。实验结果表明,该模型可以长时间预测动态和确定外部引力源。
Apr, 2020
本文提出了一种基于机器学习的优化代理方法,可以在毫秒内预测 Transmission System Operators 的 Security-Constrained Economic Dispatch 的最优解,并适用于具有可再生能源的时实电网运营。
Dec, 2021
本文研究了在电力系统中采用基于图卷积网络和超结构表示学习框架的人工智能工具,以提高分布式电网规划的计算效率和预测准确性。结果发现,这种超结构图卷积神经网络对比当前方法和其他七种深度学习模型更优。
Nov, 2022
本文提出基于教师学习优化的框架和基于双向长短期记忆的深度学习模型的组合,以实现考虑能量储存装置、风力涡轮机、微型涡轮机的可再生微网的优化调度。结果表明,本文提出的框架在微电网的优化调度方面是有效的和高效的。
Jul, 2022
本研究提出基于稀疏多项式回归的逐层预测框架 NeuralPower,以准确预测在任何 GPU 平台上部署的卷积神经网络的能耗和运行时间。同时,我们还提出了 “能耗 - 精度比”(EPR)指标,以帮助机器学习者选择更能平衡能耗和预测准确度的 CNN 架构。实验结果表明,该框架可以提高预测精度高达 68.5%,且可以在不同 GPU 平台和深度学习软件工具上得到验证。
Oct, 2017
本文研究了如何在短期内准确预测能源消耗,对比了使用 LSTM、CNN、混合 CNN-LSTM 和 TCN 等多种深度学习算法的表现,通过实验结果表明 TCN 是最可靠的预测短期能源消耗的方法。
本研究提出了一种基于 DRL 和 GCN 的分布式学习算法,使代理人能够通过从环境中获取反馈来改进投标策略并增加利润,同时将空间系统拓扑的信息输入到 GCN 中,帮助代理人了解系统结构并提高决策的准确性。在 IEEE 30-bus 系统和 IEEE 39-bus 系统的测试中表明该算法具有较好的泛化能力和更高的利润。
Aug, 2022