Ausgrid
PulseAugur coverage of Ausgrid — every cluster mentioning Ausgrid across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
用于光伏发电可见性的深度学习模型取决于部署模式
一项新的研究论文探讨了使用智能电表数据预测光伏（PV）发电量的深度学习模型的有效性。该研究利用了 Ausgrid 智能电表数据并将其适配到 Pecan Street 数据集，发现部署模式显著影响模型性能。具体而言，与同一时间段内已知客户相比，预测未知家庭或未来时期的光伏发电量会导致更高的错误率。研究表明，能源数据分析应考虑与模式匹配的误差预算、新地区适应的有限目标监督以及针对特定用例量身定制的上下文选择。
-
研究论文分析光伏预测中的集成复杂度
一篇新研究论文探讨了光伏预测中使用的集成模型的复杂度。该研究分析了向集成模型添加组件如何能够改进预测，同时也有可能增加计算负担或对整体准确性贡献甚微。使用 GEFCom2014 数据集和其他公共数据集进行的实验，并辅以 ERA5 的回顾性数据，表明在特定数据集上，静态融合相比匹配提升（matched boosting）降低了尺度平均绝对误差（scaled mean absolute error），尽管并非所有改进都经过校正后具有统计学…
-
MATNet Transformer模型提升光伏发电预测精度
研究人员开发了MATNet，这是一种新颖的基于Transformer的多模态架构，用于日前光伏（PV）发电预测。该基于AI的模型采用多级联合融合方法和软注意力机制，整合了历史光伏数据与历史和预测的天气数据。在Ausgrid基准数据集上进行评估，MATNet的性能显著优于现有模型，RMSE相对提高了65%。该模型还表现出对缺失数据和域偏移的鲁棒性，以及良好的计算效率。