.png){kind=icon}
返回
Power distribution and forecasting using a probabilistic and systematic data processing model for renewable resources
.png){kind=icon}
OA
AI
DOI：10.1038/s41598-025-12888-6.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
可再生能源系统固有的不可预测性和波动性，使得精确估计电力输出和进行配电管理变得非常困难，这成为其广泛应用的主要障碍。当前的预测技术往往不足，难以有效处理需求意外激增或变化的情况，可能导致效率低下甚至系统不稳定。为更好地预测短期需求、优化发电与配电状态的平衡，并动态检测和区分配电中的不当高峰，本文提出了概率系统性处理方法（PSPM），该方法利用基于奖励的状态模型学习。为预测需求并采取主动干预措施，该方法利用实时和历史特征，包括消费、峰值发电和断开事件。为提供稳健且可信的评估，我们使用ARRA项目数据集中的智能电网数据集验证了结果。与当前方法相比，实证数据显示PSPM将预测成功率提高了20%，提高了25%的配电效率，并将分析延迟降低了35%。这些改进展示了PSPM在提升可再生能源系统韧性和运营效率方面的创新方法。由于自适应能源分配在现有文献中并非经常被研究的话题，本研究通过结合概率分析与强化学习而脱颖而出。借助所建议的方法，可再生能源系统可以变得更加智能和有韧性，该方法既实用又可扩展。其潜在应用包括可持续电力基础设施自动化、能源政策规划和智能电网管理。
Keyword:
Data analysis
Peak generation
Power distribution
Forward recurring process
Renewable energy
State learning
期刊
IF:
3.9
论文数:
28.2W
被引数:
83.5W
机构
引用论文
An algorithm for forecasting day-ahead wind power via novel long short-term memory and wind power ramp events一种基于新型长短期记忆和风电爬坡事件的日前风电预测算法.png)
ENERGY
ENERGYIF9.4
PREAI
分享收藏A fuzzy theory-based machine learning method for workdays and weekends short-term load forecastingENERGY AND BUILDINGS
OAAI
ENERGY AND BUILDINGSIF7.1
OAAI分享收藏A novel hybrid cybersecurity scheme against false data injection attacks in automated power systems一种针对自动化电力系统中虚假数据注入攻击的新型混合网络安全方案OAAI
OAAI分享收藏A hybrid framework for forecasting power generation of multiple renewable energy sources预测多种可再生能源发电量的混合框架
PREAI
分享收藏
查看更多内容