通过比较统计学、机器学习和深度学习模型在爱尔兰平衡市场上的表现，本研究发现短期电力市场和平衡市场是基本不同的构造，并提出了一种基于 LASSO 的 LEARN 模型，其在平衡市场上的预测表现优于更复杂和计算要求更高的方法。

Feb, 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

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

提出了一个实时的、具有不确定性感知的能源调度框架，由深度学习预测和随机优化等关键要素组成，旨在解决分布式能源资源聚合对电力系统带来的不确定性问题，实现最优和鲁棒的调度解决方案，并在智能建筑能源管理领域进行了全面实验证明。

Sep, 2023

深度学习对电力价格产生影响，本研究探讨了预测误差如何传播到电力价格中，并揭示了拥挤电力系统中显著的定价误差及其空间差异。为了提高公平性，我们建议将电力市场结算优化嵌入深度学习层，通过这一层进行不同程度的预测和定价误差平衡，而不仅仅是最小化预测误差。该层能够隐含地优化公平性并控制系统中价格误差的空间分布。我们在风电预测和短期电力市场结算的交叉领域展示了价格感知的深度学习技术。

Aug, 2023

通过引入自适应标准化来缓解市场中常见的数据集变化效应，学习算法可以优先揭示目标变量和解释变量之间的真实关系，从而提高预测模型性能。

Nov, 2023

该论文提出了一种决策为中心的电价预测方法，旨在训练预测模型以减少决策错误并提高经济效益，该方法基于决策和预测错误提出了混合损失和相应的随机梯度下降学习方法。

Apr, 2023

通过分析在线优化问题，研究了切换成本、预测准确性和稳定性对能源管理系统的影响，提出了一种新颖的框架。通过实证评估和理论分析，研究揭示了预测准确性、稳定性和切换成本在塑造政策性能方面的平衡关系，结果表明切换成本明显影响预测准确性和稳定性之间的权衡，强调了预测和运营部门之间合作的集成系统对于改进决策的重要性。

Jun, 2024

准确预测电力价格对于电力系统管理和智能应用的发展至关重要。本研究提出了一种用于德国 - 卢森堡次日电力价格的长短期记忆（LSTM）模型，通过应对俄罗斯入侵乌克兰后欧洲电力价格的大幅上涨和高度波动等挑战，来应对现有预测方法的局限。LSTM 的循环结构允许该模型适应价格趋势，同时通过同时预测均值和标准差，实现了概率性预测。使用超统计学的物理启发方法来解释价格的统计特性，本研究表明 LSTM 模型能够忠实地重现价格和其波动情况。

Oct, 2023

我们首次提出了一项对德国连续日内市场上交易的电力价格进行贝叶斯预测的研究，该研究充分考虑了参数不确定性，并在后验预测分布方面给出了预测。我们使用 2022 年极其波动的电力价格进行验证，证明了在一些点度量和概率得分方面，相较于基于最后价格信息的基准模型，我们的预测模型有明显的改进。最后，我们通过提供强有力的统计证据挑战了在电力价格预测中使用 LASSO 进行特征选择的黄金标准，表明正交匹配追踪（OMP）在预测性能方面更佳。

Mar, 2024