power engineering
PulseAugur coverage of power engineering — every cluster mentioning power engineering across labs, papers, and developer communities, ranked by signal.
-
新框架将时间序列预测视为视觉修复任务
研究人员推出 ICI-Time，一个将时间序列预测视为视觉修复问题的新框架。该方法通过将时间序列数据转换为面积图等视觉表示，来利用大型视觉模型的能力。该方法允许预训练的视觉 Transformer 在这些视觉提示中完成模式，而无需专门的时间架构或大量的微调。在流行病学、气象学和电力系统等不同领域的实验表明，ICI-Time 在现有深度学习方法中具有竞争力，尤其是在数据有限的情况下。
-
ICI-Time框架将时间序列预测重构为视觉修复问题
研究人员开发了ICI-Time，一个将时间序列预测视为视觉修复问题的新框架。该方法通过将时间序列数据转换为面积图，然后用于模式补全任务，从而利用大型视觉模型。在流行病学、气象学和电力系统中的实验表明，ICI-Time在与现有深度学习方法相比时具有竞争力，尤其是在数据有限的情况下。
-
深度学习模型在智能电表能源预测方面进行基准测试
研究人员对九种用于智能电表能源预测的深度学习模型进行了实证基准测试，并在两个公共数据集上评估了它们的性能。研究发现，虽然延长历史输入数据可提高准确性，但预测范围越长，准确性会随之下降。深度学习模型普遍优于传统方法，其中轻量级架构在较低的计算成本下提供了可比的性能。架构差异的有效性在更长的预测范围和更多样化的数据集上更为明显。
-
提出用于电力系统保护和运营的AI框架 · 跟踪2个来源
两篇最新的arXiv论文提出了将机器学习应用于电力系统保护和运营的标准化框架。第一篇论文介绍了一个七维框架，以确保电力系统保护中机器学习评估的可比性和可审计性，并展示了其在PROTECT-90基准上的应用。第二篇论文调查了近800项关于电力系统图机器学习的研究，强调了其在应对运营复杂性方面的潜力，并指出了标准化基准稀缺以及在安全关键应用中对可解释模型的需求等挑战。
-
新框架融合人工智能与电力工程教育 · 跟踪 2 个来源
一个名为“工程基础人工智能”（EGAI）的新框架已被开发出来，用于将人工智能整合到电力和能源系统教育中。该框架以一系列开放、可执行的 Jupyter Notebook 的形式呈现，旨在降低电力工程师和跨学科学习者的入门门槛。它从基础的深度神经网络进展到更高级的应用，如用于电池控制的深度强化学习和用于系统动力学的物理信息神经网络。该项目得到了 IEEE 在线课程和网络研讨会系列的支持，该系列受到了广泛关注，表明电力行业对实践性人工智能培…
-
新方法使用决策校准预测集优化电力系统
研究人员开发了一种名为决策校准预测集的新方法，用于在不确定性下优化电力系统运行。该方法根据下游决策的可靠性来校准不确定性集，而不是仅仅基于预测覆盖率。通过使用部分输入凸神经网络和受保风险控制启发的参数，该方法有效地控制了不确定性集的体积以满足运行约束。数值实验表明，与标准校准方法相比，该技术能够更准确地满足约束并降低运行成本。