检索结果-南通市图书馆

Deep Learning in Power Systems Research:A Review

CSEE Journal of Power and Energy Systems 2021年第2期7卷 209-220页

作者： mahdi khodayar Guangyi Liu Jianhui Wang Mohammad E.khodayar Global Energy Interconnection Research Institute North America(GEIRI North America) San JoseCAUSA Department of Computer Science at the University of Tulsa TulsaOKUSA khodayar are with the Department of Electrical and Computer Engineering of Southern Methodist

With the rapid growth of power systems measurements in terms of size and complexity,discovering statistical patterns for a large variety of real-world applications such as renewable energy prediction,demand response,energy disaggregation,and state estimation is considered a crucial challenge.In recent years,deep learning has emerged as a novel class of machine learning algorithms that represents power systems data via a large hypothesis space that leads to the state-of-the-art performance compared to most recent data-driven algorithms.This study explores the theoretical advantages of deep representation learning in power systems research.We review deep learning methodologies presented and applied in a wide range of supervised,unsupervised,and semi-supervised applications as well as reinforcement learning tasks.We discuss various settings of problems solved by discriminative deep models including stacked autoencoders and convolutional neural networks as well as generative deep architectures such as deep belief networks and variational autoencoders.The theoretical and experimental analysis of deep neural networks in this study motivates longterm research on optimizing this cutting-edge class of models to achieve significant improvements in the future power systems research.

关键词： Autoencoder convolution neural network deep learning discriminative model deep belief network generative architecture variational inference

来源：

维普期刊数据库评论

在线全文

维普期刊数据库

学校读者我要写书评

暂无评论

基于图机器学习的分布式光伏发电预测

引用

供用电 2019年第11期36卷 20-27页

作者：阚博文刘广一 khodayar mahdi 周建其魏龙飞谭俊汤亚宸全球能源互联网美国研究院加利福尼亚州圣何塞95134 Southern Methodist University Texas Dallas 75205 国网嘉兴供电公司浙江嘉兴314031

文章基于图机器学习提出了一种面向分布式光伏电站的深度时空特征提取预测模型。首先,针对临近区域的光伏电站进行图建模,使用长短期记忆(long short-term memory,LSTM)模型进行时间特征抓取,使用图卷积原理对电站空间特征进行提取。根... 详细信息

文章基于图机器学习提出了一种面向分布式光伏电站的深度时空特征提取预测模型。首先,针对临近区域的光伏电站进行图建模,使用长短期记忆(long short-term memory,LSTM)模型进行时间特征抓取,使用图卷积原理对电站空间特征进行提取。根据提取的时空特征信息以及历史数据和临近其他区域内光伏电站历史发电数据,训练光伏发电预测模型。以国内某地266个光伏电站为实验对象,实验结果表明基于图机器学习的预测模型进行日前预测,预测误差率仅为5.66%,低于其他机器学习模型预测结果。该模型针对光伏电站15min前发电预测可以捕获当天瞬间出力变化曲线。

关键词：图机器学习光伏预测图卷积 LSTM DNN

来源：

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

欢迎您,

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

请选择保存的检索档案：

请选择收藏分类：

通借通还

欢迎您,

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：