面向可再生能源的多变量 LSTM 预测：增强气候变化缓解能力
机器学习
2026-01-19 v1
摘要
可再生能源在现代电力系统中的日益整合带来了重大机遇，但也带来了显著挑战，这主要归因于 RES 发电固有的波动性。准确预测 RES 发电对于维持电力系统运行的可靠性、稳定性和经济效率至关重要。传统方法，如确定性方法和随机规划，通常依赖于通过 K-means 等聚类技术生成的代表性场景。然而，这些方法可能无法完全捕捉 RES 数据中复杂的时间依赖关系和非线性模式。本文引入了一种基于多变量 Long Short-Term Memory (LSTM) 的网络，旨在利用 RES 的真实历史数据预测其发电量。所提模型有效捕捉了不同 RES 之间的长期依赖关系与相互作用，利用本地及邻近区域的历史数据来提升预测准确性。在案例研究中，我们表明所提预测方法带来了更低的 CO2 排放以及更可靠的电力负荷供应。
引用
@article{arxiv.2601.10961,
title = {Multivariate LSTM-Based Forecasting for Renewable Energy: Enhancing Climate Change Mitigation},
author = {Farshid Kamrani and Kristen Schell},
journal= {arXiv preprint arXiv:2601.10961},
year = {2026}
}
备注
ICLR 2025 Workshop on Tackling Climate Change with Machine Learning, paper #57 (https://www.climatechange.ai/papers/iclr2025/57)