虚拟电厂、分布式能源、负荷预测、Transformmer、卡尔曼滤波、智能强化学习
一、负荷预测优化的基础，主要依赖数据驱动的方法。
1. 传统统计学方法：
· 自回归模型：如AR、MA、ARMA、ARIMA。适用于线性、平稳的时间序列数据。
· 季节性自回归积分滑动平均模型：专门处理具有强季节性的负荷数据（如日周期、周周期）。
· 指数平滑法：如Holt-Winters三参数指数平滑，对具有趋势和季节性的序列有较好效果。
2. 机器学习方法
· 支持向量机：在小样本、非线性问题上表现良好。
· 随机森林 & 梯度提升树：如XGBoost、LightGBM。能有效捕捉非线性关系，对特征工程要求高，是目前业界短期预测的主流选择之一。
· K-近邻算法：寻找历史相似日进行预测，简单有效。
3. 深度学习方法
· 循环***网络：LSTM、GRU。
· seq2seq模型：使用编码器-解码器结构，非常适合多步预测。
· 时序卷积网络：使用因果卷积，能并行计算，训练速度比RNN快，且能捕捉长期依赖。
· Transformer模型：基于自注意力机制，能够更好地捕捉序列中不同时间点之间的全局依赖关系，在复杂序列预测中表现卓越。
4. 混合模型
· ARIMA + LSTM：ARIMA捕捉线性部分，LSTM捕捉非线性残差。
· CNN + LSTM：用CNN提取局部特征，再用LSTM捕捉时序依赖。
二、 分布式能源的预测与优化
1.可再生能源发电预测
· 技术：与负荷预测技术高度重叠（LSTM, Transformer等）。
· 关键输入特征：数值天气预报数据（辐照度、云量、风速、温度等）、历史发电数据、设备状态数据。
2. 状态估计与监控
· 算法：卡尔曼滤波（及其变种如无迹卡尔曼滤波）、粒子滤波，用于从带有噪声的传感器数据中准确估计系统状态（如电压、功率）。
3. 功率控制
· 最大功率点跟踪：用于光伏逆变器，确保在任何环境下输出最大功率。常用算法有扰动观察法、电导增量法。
· 有功/无功功率控制：采用PID控制、模糊逻辑控制等，确保并网电能质量。
一、负荷预测优化的基础，主要依赖数据驱动的方法。
1. 传统统计学方法：
· 自回归模型：如AR、MA、ARMA、ARIMA。适用于线性、平稳的时间序列数据。
· 季节性自回归积分滑动平均模型：专门处理具有强季节性的负荷数据（如日周期、周周期）。
· 指数平滑法：如Holt-Winters三参数指数平滑，对具有趋势和季节性的序列有较好效果。
2. 机器学习方法
· 支持向量机：在小样本、非线性问题上表现良好。
· 随机森林 & 梯度提升树：如XGBoost、LightGBM。能有效捕捉非线性关系，对特征工程要求高，是目前业界短期预测的主流选择之一。
· K-近邻算法：寻找历史相似日进行预测，简单有效。
3. 深度学习方法
· 循环***网络：LSTM、GRU。
· seq2seq模型：使用编码器-解码器结构，非常适合多步预测。
· 时序卷积网络：使用因果卷积，能并行计算，训练速度比RNN快，且能捕捉长期依赖。
· Transformer模型：基于自注意力机制，能够更好地捕捉序列中不同时间点之间的全局依赖关系，在复杂序列预测中表现卓越。
4. 混合模型
· ARIMA + LSTM：ARIMA捕捉线性部分，LSTM捕捉非线性残差。
· CNN + LSTM：用CNN提取局部特征，再用LSTM捕捉时序依赖。
二、 分布式能源的预测与优化
1.可再生能源发电预测
· 技术：与负荷预测技术高度重叠（LSTM, Transformer等）。
· 关键输入特征：数值天气预报数据（辐照度、云量、风速、温度等）、历史发电数据、设备状态数据。
2. 状态估计与监控
· 算法：卡尔曼滤波（及其变种如无迹卡尔曼滤波）、粒子滤波，用于从带有噪声的传感器数据中准确估计系统状态（如电压、功率）。
3. 功率控制
· 最大功率点跟踪：用于光伏逆变器，确保在任何环境下输出最大功率。常用算法有扰动观察法、电导增量法。
· 有功/无功功率控制：采用PID控制、模糊逻辑控制等，确保并网电能质量。
