光伏发电量预测领域，开发了物理约束长短期记忆神经网络（PC-LSTM）。能够将领域知识作为物理约束条件用于光伏发电量预测，在实验电站中相比于常规机器学习方法，提升了8%和12.9%的预测精度。同时提出了自适应的机器学习模型，在光伏数据存在漂移时能够保持模型效果。目前处于产品化环节，结合硬件数采设备实现可独立运行的光伏预测仪。应用场景为分布式光伏电站。
发布时间:
2023
-
09
-
01
浏览次数：14
发展大数据和机器学习理论和技术来指导和优化能源的开发、输运和利用，是智慧能源的关键核心内容。我们重点考虑如下方面： 1.开展能源和碳管理领域的基础理论和应用技术研发，并形成相应软件平台。 2.发展和完善针对能源领域典型应用的机器学习算法，在重点领域（石油、电力、光伏、风电）和重点局域（深圳市、广东其他城市和北京市）开展应用示范，形成具有自主知识产权的技术产品。 3.发展具有理论指导的深度学习TgNN（Theory-guided Neural Network）的理论基础和应用技术，形成相关算法，并在典型能源领域的开发、输运和利用方面进行示范。TgNN既符合训练数据要求（比如，常规神经网），又有理论指导（满足物理机理（控制方程）、工程约束和专家意见）。利用TgNN构建的Surrogate（替代模型）将有助于极大地提高大规模能源系统仿真模拟、历史拟合和优化的效率。 4.建立数据驱动（data-driven）的物理过程挖掘和控制方程推导的理论体系和方法,并与能源和其他领域的实验相结合进行科学规律探索。
发布时间:
2023
-
07
-
15
浏览次数：17
电力负荷预测领域，开发了理论指导负荷预测模型（TgDLF）。该模型有效融合了领域知识与机器学习算法，有效提升模型精度和鲁棒性。基于北京12个区历史1362天小时级别真实电力负荷数据进行了验证，日前预测（即提前24小时预测电力负荷）准确率均值高达98.4%。相比于常规机器学习模型，TgDLF的均方误差降低了23%。
发布时间:
2023
-
07
-
11
浏览次数：3
光伏发电量预测领域，开发了物理约束长短期记忆神经网络（PC-LSTM）。能够将领域知识作为物理约束条件用于光伏发电量预测，在实验电站中相比于常规机器学习方法，提升了8%和12.9%的预测精度。同时提出了自适应的机器学习模型，在光伏数据存在漂移时能够保持模型效果。目前处于产品化环节，结合硬件数采设备实现可独立运行的光伏预测仪。应用场景为分布式光伏电站。
发布时间:
2023
-
09
-
01
浏览次数：14
发展大数据和机器学习理论和技术来指导和优化能源的开发、输运和利用，是智慧能源的关键核心内容。我们重点考虑如下方面： 1.开展能源和碳管理领域的基础理论和应用技术研发，并形成相应软件平台。 2.发展和完善针对能源领域典型应用的机器学习算法，在重点领域（石油、电力、光伏、风电）和重点局域（深圳市、广东其他城市和北京市）开展应用示范，形成具有自主知识产权的技术产品。 3.发展具有理论指导的深度学习TgNN（Theory-guided Neural Network）的理论基础和应用技术，形成相关算法，并在典型能源领域的开发、输运和利用方面进行示范。TgNN既符合训练数据要求（比如，常规神经网），又有理论指导（满足物理机理（控制方程）、工程约束和专家意见）。利用TgNN构建的Surrogate（替代模型）将有助于极大地提高大规模能源系统仿真模拟、历史拟合和优化的效率。 4.建立数据驱动（data-driven）的物理过程挖掘和控制方程推导的理论体系和方法,并与能源和其他领域的实验相结合进行科学规律探索。
发布时间:
2023
-
07
-
15
浏览次数：17
电力负荷预测领域，开发了理论指导负荷预测模型（TgDLF）。该模型有效融合了领域知识与机器学习算法，有效提升模型精度和鲁棒性。基于北京12个区历史1362天小时级别真实电力负荷数据进行了验证，日前预测（即提前24小时预测电力负荷）准确率均值高达98.4%。相比于常规机器学习模型，TgDLF的均方误差降低了23%。
发布时间:
2023
-
07
-
11
浏览次数：3
碳管理领域，开发了深圳市碳排放实时监测平台，可以实时核算平台内企业的碳排放量，并可视化碳达峰碳中和进程。目前处于产品化环节。
发布时间:
2023
-
04
-
03
浏览次数：8
油气勘探开发领域，开发了基于可解释机器学习的工程参数优化模型InterOpt，可以针对每一口页岩气井的具体地质情况，推荐差异化压裂方案。根据中石油勘探院项目评测，模拟结果显示可以降低9.7%的页岩气开采平均成本，助力页岩油气开发的降本增效。目前算法已完成开发，正在进行试点推广。
发布时间:
2023
-
07
-
12
浏览次数：0
发布时间:
2023
-
06
-
14
浏览次数：25