Aug, 2024

伊朗峰值负荷管理的生产者网络评估：一种分布式情境随机优化方法

HTML
PDF
TL;DR本研究解决可再生能源生产者在自给自足与电网和市场整合之间的平衡问题，提出了一种新颖的生产者网络框架，以缓解伊朗的峰值负荷。论文采用成本导向的综合预测与优化方法，通过分布式情境随机优化（DCSO）赋能生产者做出明智决策，研究结果表明此方法显著降低了峰值负荷和总成本。
发现论文，激发创造
  • 住宅智能电网中智能负载调度的分布式深度强化学习

    论文介绍了一个利用分布式深度强化学习模型实现智能管理家庭用电的方法，这个方法可以保护用户隐私，以降低电网运营成本，减少家庭用电费用，实现用电峰谷负荷比例和负荷方差分别降低12%和11%的效果。

    Jun, 2020

  • 日内电力市场中的普通用户管理机器学习方法

    研究采用强化学习算法中的马尔可夫决策过程，通过机器学习等技术应对电力市场中的各种挑战，并取得了13.39%的增长。

    Mar, 2022

  • 分层学习：预测稳合时空个体和聚合建筑负载

    提出了一种基于机器学习回归器的多维层级预测方法，并使用统一框架协调空间和时间层次，在两个不同的案例研究中对其进行了评估，以预测建筑电负荷，为未来的预测回归器提供了方法和路径。

    Jan, 2023

  • 利用聚类技术实现智能社区实时需求响应框架

    采用聚类技术实现需求响应节能项目，并结合预测、聚类和价格策略引擎为参与项目的生产者提供个性化的节约建议和定价策略。

    Mar, 2023

  • 一种新型的多智能体灵活性聚合框架

    本文提出了一种新的分布式能源聚合框架，其中包括多智能体架构和各种机制，用于有效管理和高效整合Smart Grid中的分布式能源，特别是当使用CRPS评分规则作为选择机制时，在与传统商业聚合器比较时，我们的框架导致参与者的平均支付增加。

    Jul, 2023

  • FedWOA：一种使用鲸鱼优化算法进行可再生能源预测的联邦学习模型

    使用鲸鱼优化算法(FedWOA)对家庭自产能源数据进行训练，通过构建全球共享模型并传输到本地节点改善预测质量，以提高能源预测模型的准确性。

    Sep, 2023

  • 智能化电力负荷预测在用户社区的应用

    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

  • 分布式能源资源的分散协调通过本地能源市场和深度强化学习

    该研究通过训练一组深度强化学习智能体来自动化参与ALEX社区能源市场，揭示了账单减少与减少净负荷变动之间的明确关联。在使用开源数据集评估净负荷变动的影响时，代理与多个基准进行了比较，显示出有前景的性能水平，接近近似最优动态规划基准。

    Apr, 2024

  • 动态网络化系统中波动能源资源的分布式管理

    现代电力系统集成可再生分布式能源资源作为一种环境友好的增强措施，以满足不断增长的需求。然而，可再生能源固有的不可靠性使得开发分布式能源资源管理算法变得迫在眉睫。我们在由多个分布式能源资源组成的系统中研究能量共享问题，每个代理在其邻域内收集和分配可再生能源，以优化网络性能并尽量减少能量浪费。我们将这个问题建模为带约束的赌博性凸优化问题，约束对应于每个节点的能量生产限制。我们提出了分布式决策策略来解决所制定的问题，其中我们利用动态遗憾作为性能指标。我们还在我们开发的算法中设计了一种调整策略来减少约束违规。此外，我们设计了一种处理非平稳环境的策略。理论分析表明我们提出的算法的有效性。使用真实数据集进行的数值实验显示，我们的提案相比现有方法具有更优越的性能。

    May, 2024

  • 预测。优化。修订。关于能源管理系统中的预测和政策稳定性

    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