三相电流采样后，由于交流特性出现正负电流。当电机反电动势高于输入电压时，会产生负扭矩。控制算法需考虑电流大小及与转子的夹角，负夹角需转化为负电流处理。通过调节负电流和负电压，简化了控制算法，确保正反转控制一致。需要注意的是，负电流并不等于发电，只有当电流与电压的乘积为负时，才表示发电。

本研究提出了一种混合半参数模型，结合物理启发与非参数子模型，以解决传统风力发电预测中的非线性问题。该模型提高了37%的预测准确性，并量化了不确定性，为风力涡轮优化提供了新思路。

本研究提出了一种新模型，结合iTransformer和LSTM，有效解决光伏发电预测中的复杂变量关系，显著提高了预测准确性，尤其在季节变化时表现突出。

本研究使用机器学习和深度学习技术，研究了空气质量指数和天气特征对太阳能发电的影响，并提出了高准确性的预测模型。其他研究包括树形预测、UTEQ太阳辐射预测、无源域自适应学习预测、分层时序卷积神经网络预测、多地天气数据指导的可再生能源预测、太阳能热产量优化、开源深度学习模型SolNet、改善概率太阳能预测的模型链方法、卫星数据在尼泊尔太阳能供电预测。

AutoPV是一个基于神经架构搜索技术的新框架，用于自动搜索和构建光伏发电功率预测模型。它整合了最新的时序预测和光伏发电深度学习模型的数据处理技术，能在较短时间内构建预测架构，并展现出优于预定义模型的效果。这填补了将NAS应用于TSF问题的空白，为非专家和工业界提供了帮助。

本文提出了一个新的框架，使用LSTM时间序列预测和DDPG多智能体强化学习算法来解决可再生能源不确定性在智能电网中带来的挑战和分布能源管理中的新挑战。该框架旨在实现对批发和零售市场的高效能源管理，并证明其显著提高了载荷服务实体的利润。同时，使用DDPG代理实现人工智能电池充放电，以最大化分布式PV和电池安装用户的利润。

加拿大阿尔伯塔省的研究发现，将西门子公司的热力学软件纳入环境模型，并模拟不确定性，发现深度 Q 网络（DQN）是处理经济型燃气轮机调度问题最有效的算法，近端策略优化（PPO）是最高效的方法。研究还提出了一种动态分配燃气轮机运行和维护成本的方法，更好地近似了现代燃气轮机调度的真实成本。

利用机器学习技术预测地磁扰动，采用LSTM神经网络，通过测量太阳风和磁场数据，提供地磁活动指数的真实预警。

提出了 PV-Client (Cross-variable Linear Integrated ENhanced Transformer) 用于光伏发电功率预测，采用增强 Transformer 模块捕获不同特征之间的复杂相互作用，使用线性模块学习光伏功率的趋势信息，并整合交叉变量注意力以捕获光伏功率与天气因素之间的依赖关系。实验结果表明，PV-Client 在光伏发电功率预测方面表现卓越。

SolNet是一种新颖的太阳能发电预报模型，通过迁移学习和微调解决了数据匮乏的挑战，并在荷兰、澳大利亚和比利时的实际生产数据中展示了其优势。

本文介绍了一种基于Wiener-Kallianpur创新表示的生成式概率预测方法，适用于实时市场操作、商业储能和频率调节等领域。该方法具有优越性能。

该论文研究了使用符合性预测（CP）这种新兴的概率预测方法对光伏发电功率进行次日预测，以提高其参与电力市场的效果。研究结果表明，将 CP 与最近邻和 / 或 Mondrian binning 相结合优于线性分位数回归器，将 CP 与特定的竞标策略相结合，可以在最小化能量不平衡的同时获得高利润。

本文利用深度学习设计了预测全球水平辐照度的模型，并提出了预测不确定性分布的方法。作者通过测试方案评估了模型性能，并收集了多个地理位置的太阳能辐射数据。该方法在太阳能预测中表现出鲁棒性，有潜力促进太阳能与电网的整合。

通过改变CNN-LSTM和自回归模型的输入数据形状，提出了一种新的特征工程方法，以提高对噪声的处理能力。结果显示，该方法能够以83％的准确率预测长达24个时间步的未见数据，并在短期、中期和长期预测方面表现出较高的准确性。