韩国中央大学的研究人员提出了一种基于深度学习的新型预测模型，用于优化微电网能源管理。它采用长期短期记忆网络和基于激励的需求响应程序来预测微电网中实施的可再生能源的不确定性
气候变化是我们这个时代的重大环境挑战。由于包括化石燃料在内的非可再生能源的碳排放过多，这一趋势正在加速。鉴于这些情况，世界各国政 府正在制定政策，通过促进绿色能源实现碳中和。
这导致了各种可再生能源（RES）的发展——太阳能电池板、风车和涡轮机，作为化石燃料的替代品。将这些RES与供电网络互连是必要的。在这方面，集成了可再生和非可再生能源以及储能系统的微电网（MG）是一个很有前途的解决方案。但是，由于RES的不稳定可用性和不确定性，它们的有效运行具有挑战性。例如，基于太阳能的RES在阴天无法有效运行。
因此，显然需要准确预测RES、其能源需求和市场价格的不确定性。现有的传统预测方法考虑了各种可能的未来情景及其概率。这种方法有几个缺点，包括预测精度低。为了克服这些问题，研究人员求助于基于深度学习的模型。当他们做出准确的预测时，控制学习过程的超参数变量必须得到适当的优化。
在这种背景下，韩国忠安大学能源系统工程系的Mun Kyeom Kim教授最近与Hyung Joon Kim先生合作，提出了一种基于深度学习的新型预测模型，以准确预测最优和盈利微电网运行的不确定参数。他们的工作发表在《应用能源》杂志上。
金教授解释道：“所提出的数据驱动预测方法采用了一种长短期记忆（LSTM）模型，一种具有反馈连接的人工神经网络。其超参数通过遗传算法自适应权重粒子群优化（GA-AWPSO）算法进行优化，而全局注意机制（GAM）从输入参数数据中识别重要特征。”。
“这两种算法都有助于克服传统方法的局限性，提高LSTM模型的预测精度和效率。”
在他们的工作中，研究人员还开发了一个数据挖掘和基于激励的需求响应（DM-CIDR）程序，用于处理与能源需求和市场价格相关的不确定性。在此，使用用于识别聚类结构（OPTICS）和k近邻（k-NN）算法的排序点来确定日前能源市场中客户的最优激励率。
为了证明其GA-AWPSO-LSTM-GAM模型和DM-CIDR计划的性能，研究人员在宾夕法尼亚州-新泽西州-马里兰州（PJM）互联能源市场历史数据上实施了它们。该模型具有比现有预测模型更低的预测误差，并为预测RES的可用性提供了最 佳相关值。特别是，它获得的太阳能电池板的决定系数值为0.96，超过了现有模型的决定系数。
有了这些发现，研究人员对他们提出的预测模型寄予厚望。“这将加快可再生资源在供电网络中的整合，同时使MG运营商能够解决日常能源管理问题。这反过来将提高区域电网的可靠性，为人们提供低成本清洁能源，并促进当地的可持续性。
