气候变化是我们这个时代面临的重大环境挑战。由于包括化石燃料在内的不可再生能源的过度碳排放，它正在加速。鉴于这些情况，世界各国政府正在制定政策，通过推广绿色能源来实现碳中和。
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 互连到供电网络是必要的。在这方面，集成可再生和不可再生能源以及储能系统的微电网 (MG) 是一种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 在阴天无法高效运行。
因此，MG 运营商无法在日前能源市场中获利，他们必须承诺第二天的能源供应。
因此，显然需要准确预测 RES、它们的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。虽然他们做出准确的预测，但他们的超参数（控制学习过程的变量）必须适当优化。
在此背景下，韩国中央大学能源系统工程系 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，以准确预测不确定参数优化和有利可图的微电网运行。他们的工作发表于Applied Energy。
“所提出的数据驱动预测方法采用长短期记忆（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，同时全局注意力机制 (GAM) 从输入参数数据中识别重要特征，”Kim 教授解释道。
“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) 程序来处理与能源需求和市场价格有关的不确定性。在此，使用排序点来识别聚类结构 (OPTICS) 和 k 最近邻 (k-NN) 算法来确定日前能源市场中客户的最佳激励率。
为了展示他们的 GA-AWPSO-LSTM-GAM 模型和 DM-CIDR 程序的性能，研究人员在宾夕法尼亚州-新泽西州-马里兰州 (PJM) 互联能源市场的历史数据上实施了它们。该模型的预测误差低于现有预测模型，并为预测 RES 的可用性提供了最佳相关值。特别是，它获得了 0.96 的太阳能电池板确定系数值，超过了现有模型的确定系数。
有了这些发现，研究人员对他们提出的预测模型寄予厚望。“它将加速可再生资源在供电网络中的整合，同时使 MG 运营商能够解决日前的能源管理问题。这反过来又将提高区域电网的可靠性，为人们提供低成本的清洁能源，并促进当地的可持续性。最终，它可以为零排放电源打开大门，使到 2050 年实现碳中和成为一个现实的目标，”金教授总结道。
