.png){kind=icon}
返回
Intelligent Data Driven Approaches to Optimizing Power System Performance
.png){kind=icon}
PRE
AI
DOI：10.1007/s42835-025-02528-4.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
为应对对更高效、更安全能源解决方案日益增长的需求，通过先进的数据驱动方法提升电力系统性能比以往任何时候都更为重要。本研究的相关知识至关重要，因为它旨在针对电力系统中不断增长的挑战，提高电力系统的性能和稳定性。众所周知，当前系统存在预测不足、资源管理不可预测以及数据可用性缺乏等问题，这些问题反过来影响了整体运营成本。特别是，通过混合方法集成前馈神经网络（FNN）和生成对抗网络（GAN），提高了预测的准确性。例如，当其在负荷预测中达到MAPE为4.5%、RMSE为102 MW时，电网管理能够改进对可用资源的使用，使其实现约12%的运营成本降低。若与描述模型MAPE为7%、RMSE为15 MW的传统方法相比，本研究展示了性能的提升，尤其是在使用Python框架构建的动态测试和验证场景中。它还消除了当前障碍，并为基于数据处理和预测效率的电力系统状态改进创造了进一步发展的条件。
Keyword:
Power system optimization
Data-driven approaches
Feed forward neural networks (FNN)
Generative adversarial networks (GAN)
Load forecasting
Resource allocation and operational efficiency
期刊
J
IF:
1.6
论文数:
286
被引数:
0
机构
引用论文
Optimum Power Forecasting Technique for Hybrid Renewable Energy Systems Using Deep Learning基于深度学习的混合可再生能源系统最优功率预测技术
PREAI
分享收藏分享收藏Towards Intelligent Power Electronics-Dominated Grid via Machine Learning Techniques通过机器学习技术实现以电力电子为主导的智能电网
PREAI
分享收藏Development and application of equilibrium optimizer for optimal power flow calculation of power system.png)
APPLIED INTELLIGENCE
OAAI
APPLIED INTELLIGENCEIF3.5
OAAI分享收藏Grounding Grid Fault Diagnosis With Emphasis on Substation Electromagnetic InterferenceIEEE ACCESS
OAAI
IEEE ACCESSIF3.6
OAAI分享收藏A new method of power quality disturbance classification based on deep belief network基于深度信念网络的电能质量扰动分类新方法OAAI
OAAI分享收藏
查看更多内容