低压网络中分布式能源的渗透不断增加，这将最终用户从消费者转变为生产者。但是，由于零售和网络服务提供的监管分离，智能电表数据的不完整智能电表的推出和缺乏智能电表数据，这使主动分配网络管理变得困难。此外，分销网络运营商通常无法访问实时智能电表数据，这会带来额外的挑战。由于缺乏更好的解决方案，他们使用毯子屋顶太阳能出口限制，从而导致次优结果。为了解决这个问题，我们设计了一个有条件的生成对抗网络（CGAN）的模型来预测家庭太阳能产生和电力需求，这是用于在不确定性下用于计算公平操作信封的机会约束最佳功率流的输入。

在具有可再生生成的大量份额的网格中，由于负载和发电的波动性增加，运营商将需要其他工具来评估运营风险。正向不确定性传播问题的计算要求必须解决众多安全受限的经济调度（SCED）优化，是这种实时风险评估的主要障碍。本文提出了一个即时风险评估学习框架（Jitralf）作为替代方案。 Jitralf训练风险代理，每天每小时一个，使用机器学习（ML）来预测估计风险所需的数量，而无需明确解决SCED问题。这大大减轻了正向不确定性传播的计算负担，并允许快速，实时的风险估计。本文还提出了一种新颖的，不对称的损失函数，并表明使用不对称损失训练的模型的性能优于使用对称损耗函数的模型。在法国传输系统上评估了Jitralf，以评估运营储量不足的风险，减轻负载的风险和预期的运营成本。

电价是影响所有市场参与者决策的关键因素。准确的电价预测非常重要，并且由于各种因素，电价高度挥发性，电价也非常具有挑战性。本文提出了一项综合的长期经常性卷积网络（ILRCN）模型，以预测考虑到市场价格的大多数贡献属性的电力价格。所提出的ILRCN模型将卷积神经网络和长短期记忆（LSTM）算法的功能与所提出的新颖的条件纠错项相结合。组合的ILRCN模型可以识别输入数据内的线性和非线性行为。我们使用鄂尔顿批发市场价格数据以及负载型材，温度和其他因素来说明所提出的模型。使用平均绝对误差和准确性等性能/评估度量来验证所提出的ILRCN电价预测模型的性能。案例研究表明，与支持向量机（SVM）模型，完全连接的神经网络模型，LSTM模型和LRCN模型，所提出的ILRCN模型在电价预测中是准确和有效的电力价格预测。

一些现实世界决策问题需要立即对多个步骤进行概率预测。然而，概率预测方法可能无法捕获在长时间视野中存在的基础时间序列中的相关性，因为累积累积。一个这样的应用是在网格环境中不确定性下的资源调度，这需要预测电力需求，这是自然嘈杂的，但通常是循环的。在本文中，我们介绍了条件近似标准化流量（CANF），以便在长时间视野中存在相关性时进行概率的多步时间序列预测。我们首先展示了我们对估计玩具分布密度的方法的功效，发现CANF与高斯混合模型相比通过三分之一提高了KL发散，同时仍可用于显式调理。然后，我们使用公开的家用电力消耗数据集来展示CANF在联合概率多步预测上的有效性。经验结果表明，条件近似标准化流动在多步骤预测精度方面优于其他方法，并导致高达10倍的调度决策。我们的实现可在https://github.com/sisl/jointdemandforecast中获得。

交替的电流（AC）偶然受限的最佳功率流（CC-OPF）问题解决了发电不确定性下发电和交付的经济效率。由于可再生能源量大量，后者是现代电网的内在固有的。尽管取得了学术上的成功，但AC CC-OPF问题是高度非线性和计算要求的，这限制了其实际影响。为了改善AC-OPF问题的复杂性/准确性权衡，本文提出了一种快速数据驱动的设置，该设置使用稀疏和混合的高斯流程（GP）框架，以模拟具有输入不确定性的功率流程方程。我们提倡通过数值研究对拟议方法的效率，而与最新方法相比，多个IEEE测试用例的效率快两倍，更准确。

近年来，电力发电已导致美国超过四分之一的温室气体排放。将大量的可再生能源整合到电网中可能是减少电网中碳排放并减缓气候变化的最易于使用的方法。不幸的是，风和太阳能等最容易获得的可再生能源是高度波动的，因此给电网操作带来了很多不确定性，并挑战了现有的优化和控制政策。偶然受限的交流电（AC）最佳功率流（OPF）框架找到了最低成本生成的调度，以保持较低的概率将电网操作保持在安全限制之内。不幸的是，AC-OPF问题的偶然性约束扩展是非登记，计算挑战性的，需要了解系统参数以及有关可再生分布行为的其他假设。已知的线性和凸近似于上述问题，尽管可以进行操作，但对于操作实践来说太保守了，并且不考虑系统参数的不确定性。本文提出了一种基于高斯流程（GP）回归以缩小此差距的替代数据驱动方法。 GP方法学习了一个简单但非凸的数据驱动的近似值，可以包含不确定性输入的交流功率流程。然后，通过考虑输入和参数不确定性，将后者用于有效地确定CC-OPF的解。在众多IEEE测试案例中，说明了使用不同近似值的GP不确定性传播的拟议方法的实际效率。

Scenario-based probabilistic forecasts have become a vital tool to equip decision-makers to address the uncertain nature of renewable energies. To that end, this paper presents a recent promising deep learning generative approach called denoising diffusion probabilistic models. It is a class of latent variable models which have recently demonstrated impressive results in the computer vision community. However, to the best of our knowledge, there has yet to be a demonstration that they can generate high-quality samples of load, PV, or wind power time series, crucial elements to face the new challenges in power systems applications. Thus, we propose the first implementation of this model for energy forecasting using the open data of the Global Energy Forecasting Competition 2014. The results demonstrate this approach is competitive with other state-of-the-art deep learning generative models, including generative adversarial networks, variational autoencoders, and normalizing flows.

Algorithms that involve both forecasting and optimization are at the core of solutions to many difficult real-world problems, such as in supply chains (inventory optimization), traffic, and in the transition towards carbon-free energy generation in battery/load/production scheduling in sustainable energy systems. Typically, in these scenarios we want to solve an optimization problem that depends on unknown future values, which therefore need to be forecast. As both forecasting and optimization are difficult problems in their own right, relatively few research has been done in this area. This paper presents the findings of the ``IEEE-CIS Technical Challenge on Predict+Optimize for Renewable Energy Scheduling," held in 2021. We present a comparison and evaluation of the seven highest-ranked solutions in the competition, to provide researchers with a benchmark problem and to establish the state of the art for this benchmark, with the aim to foster and facilitate research in this area. The competition used data from the Monash Microgrid, as well as weather data and energy market data. It then focused on two main challenges: forecasting renewable energy production and demand, and obtaining an optimal schedule for the activities (lectures) and on-site batteries that lead to the lowest cost of energy. The most accurate forecasts were obtained by gradient-boosted tree and random forest models, and optimization was mostly performed using mixed integer linear and quadratic programming. The winning method predicted different scenarios and optimized over all scenarios jointly using a sample average approximation method.

电力行业正在大力实施智能网格技术，以提高可靠性，可用性，安全性和效率。该实施需要技术进步，标准和法规的发展以及测试和计划。智能电网载荷预测和管理对于降低需求波动和改善连接发电机，分销商和零售商的市场机制至关重要。在政策实施或外部干预措施中，有必要分析其对电力需求的影响的不确定性，以使系统对需求的波动更加准确。本文分析了外部干预的不确定性对电力需求的影响。它实现了一种结合概率和全局预测模型的框架，使用深度学习方法来估计干预措施的因果影响分布。通过预测受影响实例的反事实分布结果，然后将其与实际结果进行对比来评估因果效应。我们将COVID-19锁定对能源使用的影响视为评估这种干预对电力需求分布的不均匀影响的案例研究。我们可以证明，在澳大利亚和某些欧洲国家的最初封锁期间，槽通常比峰值更大的下降，而平均值几乎不受影响。

在本文中，我们呈现SSDNet，这是一个新的时间序列预测的深层学习方法。SSDNet将变压器架构与状态空间模型相结合，提供概率和可解释的预测，包括趋势和季节性成分以及前一步对预测很重要。变压器架构用于学习时间模式并直接有效地估计状态空间模型的参数，而无需对卡尔曼滤波器的需要。我们全面评估了SSDNET在五个数据集上的性能，显示SSDNet是一种有效的方法，可在准确性和速度，优于最先进的深度学习和统计方法方面是一种有效的方法，能够提供有意义的趋势和季节性组件。

With the evolution of power systems as it is becoming more intelligent and interactive system while increasing in flexibility with a larger penetration of renewable energy sources, demand prediction on a short-term resolution will inevitably become more and more crucial in designing and managing the future grid, especially when it comes to an individual household level. Projecting the demand for electricity for a single energy user, as opposed to the aggregated power consumption of residential load on a wide scale, is difficult because of a considerable number of volatile and uncertain factors. This paper proposes a customized GRU (Gated Recurrent Unit) and Long Short-Term Memory (LSTM) architecture to address this challenging problem. LSTM and GRU are comparatively newer and among the most well-adopted deep learning approaches. The electricity consumption datasets were obtained from individual household smart meters. The comparison shows that the LSTM model performs better for home-level forecasting than alternative prediction techniques-GRU in this case. To compare the NN-based models with contrast to the conventional statistical technique-based model, ARIMA based model was also developed and benchmarked with LSTM and GRU model outcomes in this study to show the performance of the proposed model on the collected time series data.

在称为RNN（p）的几个时间滞后的复发神经网络是自然回归ARX（P）模型的自然概括。当不同的时间尺度会影响给定现象时，它是一种强大的预测工具，因为它发生在能源领域，每小时，每日，每周和每年的互动并存。具有成本效益的BPTT是RNN的学习算法的行业标准。我们证明，当训练RNN（P）模型时，其他学习算法在时间和空间复杂性方面都更加有效。我们还介绍了一种新的学习算法，即树木重组的重组学习，该算法利用了展开网络的树表示，并且似乎更有效。我们提出了RNN（P）模型的应用，以在每小时规模上进行功耗预测：实验结果证明了所提出的算法的效率以及所选模型在点和能源消耗的概率预测中实现的出色预测准确性。

概率预测包括基于过去观察的未来结果的概率分布组成。在气象中，运行基于物理的数值模型的集合以获得此类分发。通常，使用评分规则，预测分配的功能和观察结果进行评估。通过一些评分规则，可以同时评估预测的校准和清晰度。在深度学习中，生成神经网络参数化在高维空间上的分布，并通过从潜变量转换绘制来轻松允许采样。条件生成网络另外限制输入变量上的分布。在此稿件中，我们使用培训的条件生成网络执行概率预测，以最小化评分规则值。与生成的对抗网络（GANS）相比，不需要鉴别者，培训是稳定的。我们对两种混沌模型进行实验和天气观测的全球数据集;结果令人满意，更好地校准而不是由GANS实现的。

安全约束的经济调度（SCED）是传输系统运营商（TSO）的基本优化模型，以清除实时能源市场，同时确保电网的可靠操作。在不断增长的运营不确定性的背景下，由于可再生发电机和分布式能源资源的渗透率增加，运营商必须实时监控风险，即，他们必须在负载和可再生生产的各种变化下快速评估系统的行为。遗憾的是，鉴于实时操作的严格约束，系统地解决了每个这样的场景的优化问题。为了克服这种限制，本文提出了学习SCED，即机器学习（ML）模型的优化代理，其可以预测用于以毫秒为单位的最佳解决方案。本文提出了对MISO市场清算优化优化的原则性分析，提出了一种新颖的ML管道，解决了学习SCES解决方案的主要挑战，即负载，可再生产量和生产成本以及组合结构的变化，以及组合结构承诺决定。还提出了一种新的分类 - 然后回归架构，以进一步捕获SCED解决方案的行为。在法国传输系统上报告了数值实验，并展示了该方法在与实时操作兼容的时间范围内生产的能力，精确的优化代理产生相对误差低于0.6 \％$。

基于预测方法的深度学习已成为时间序列预测或预测的许多应用中的首选方法，通常通常优于其他方法。因此，在过去的几年中，这些方法现在在大规模的工业预测应用中无处不在，并且一直在预测竞赛（例如M4和M5）中排名最佳。这种实践上的成功进一步提高了学术兴趣，以理解和改善深厚的预测方法。在本文中，我们提供了该领域的介绍和概述：我们为深入预测的重要构建块提出了一定深度的深入预测；随后，我们使用这些构建块，调查了最近的深度预测文献的广度。

PV power forecasting models are predominantly based on machine learning algorithms which do not provide any insight into or explanation about their predictions (black boxes). Therefore, their direct implementation in environments where transparency is required, and the trust associated with their predictions may be questioned. To this end, we propose a two stage probabilistic forecasting framework able to generate highly accurate, reliable, and sharp forecasts yet offering full transparency on both the point forecasts and the prediction intervals (PIs). In the first stage, we exploit natural gradient boosting (NGBoost) for yielding probabilistic forecasts, while in the second stage, we calculate the Shapley additive explanation (SHAP) values in order to fully comprehend why a prediction was made. To highlight the performance and the applicability of the proposed framework, real data from two PV parks located in Southern Germany are employed. Comparative results with two state-of-the-art algorithms, namely Gaussian process and lower upper bound estimation, manifest a significant increase in the point forecast accuracy and in the overall probabilistic performance. Most importantly, a detailed analysis of the model's complex nonlinear relationships and interaction effects between the various features is presented. This allows interpreting the model, identifying some learned physical properties, explaining individual predictions, reducing the computational requirements for the training without jeopardizing the model accuracy, detecting possible bugs, and gaining trust in the model. Finally, we conclude that the model was able to develop complex nonlinear relationships which follow known physical properties as well as human logic and intuition.

中期地平线（几个月到一年）功耗预测是能源部门的主要挑战，特别是当考虑概率预测时。我们提出了一种新的建模方法，该方法包含趋势，季节性和天气条件，作为具有自回归特征的浅神经网络中的解析变量。我们在将其应用于新英格兰的日常电力消耗的一年试验集上获得优异的效果预测。一方面已经验证了实现的电力消耗概率预测的质量，将结果与其他标准进行比较密度预测模型，另一方面，考虑在能量扇区中经常使用的措施，作为弹球损失和CI逆退。

我们提出了一种专门的方案生成方法，该方法利用预测信息来生成用于日期调度问题的方案。特别是，我们使用归一化的流量来通过从有条件的分布进行采样，该分布使用风速预测来定制方案到特定的一天。我们将生成的方案应用于风能生产者的随机日期招标问题中，并分析该方案是否产生有利可图的决策。与高斯Copulas和Wasserstein基因的对抗网络相比，正常化的流程成功地缩小了每日趋势周围的各种场景范围，同时保持了各种可能的实现。在随机日间招标问题中，与历史场景的无条件选择相比，所有方法的条件情况都会导致更稳定的盈利结果。归一化流量始终获得最高利润，即使对于小型场景。

In this paper, we propose a new short-term load forecasting (STLF) model based on contextually enhanced hybrid and hierarchical architecture combining exponential smoothing (ES) and a recurrent neural network (RNN). The model is composed of two simultaneously trained tracks: the context track and the main track. The context track introduces additional information to the main track. It is extracted from representative series and dynamically modulated to adjust to the individual series forecasted by the main track. The RNN architecture consists of multiple recurrent layers stacked with hierarchical dilations and equipped with recently proposed attentive dilated recurrent cells. These cells enable the model to capture short-term, long-term and seasonal dependencies across time series as well as to weight dynamically the input information. The model produces both point forecasts and predictive intervals. The experimental part of the work performed on 35 forecasting problems shows that the proposed model outperforms in terms of accuracy its predecessor as well as standard statistical models and state-of-the-art machine learning models.

基于机器学习（ML）的智能仪表数据分析对于先进的计量基础设施（AMI）中的能源管理和需求 - 响应应用非常有前途。开发AMI的分布式ML应用程序中的一个关键挑战是保留用户隐私，同时允许有效的最终用户参与。本文解决了这一挑战，并为AMI中的ML应用程序提出了隐私保留的联合学习框架。我们将每个智能仪表视为托管使用中央聚合器或数据集中器的信息的ML应用程序的联邦边缘设备。而不是传输智能仪表感测的原始数据，ML模型权重被传送到聚合器以保护隐私。聚合器处理这些参数以设计可以在每个边缘设备处替换的鲁棒ML模型。我们还讨论了在共享ML模型参数的同时提高隐私和提高通信效率的策略，适用于AMI中的网络连接相对较慢。我们展示了在联合案例联盟ML（FML）应用程序上的提议框架，其提高了短期负荷预测（STLF）。我们使用长期内存（LSTM）经常性神经网络（RNN）模型进行STLF。在我们的体系结构中，我们假设有一个聚合器连接到一组智能电表。聚合器使用从联合智能仪表接收的学习模型渐变，以生成聚合，鲁棒RNN模型，其提高了个人和聚合STLF的预测精度。我们的结果表明，通过FML，预测精度增加，同时保留最终用户的数据隐私。