在第20届CCF HPC China 2024年会上，万萌介绍了深度学习在光伏发电和电力负荷预测中的应用，提出了多种新能源预测模型，提升了预测精度。

本文探讨了智能电网中电力负荷预测的深度学习模型，比较了N-BEATS和基于Gated Recurrent Unit的方法。研究表明，N-BEATS模型表现优越，外部因素显著影响预测准确性。提出的模块化框架和新型混合模型在多个数据集上显示出卓越性能，推动了短期负荷预测的进步。

本文探讨了深度学习在电力负荷预测中的应用，评估了N-BEATS和LSTM等多种模型的性能。研究表明，N-BEATS模型在短期负荷预测中表现优于其他模型，并强调外部因素对预测准确性的影响。此外，提出了新的方法和框架，以提高电力需求预测的准确性和效率，助力智能电网的运营。

本文探讨了智能电网中电力负荷预测的深度学习模型，包括前馈神经网络和LSTM的性能评估。研究提出了基于Koopman算子的解释性机器学习方法，强调了电网特有特征在模型设计中的重要性。此外，介绍了HEDGE工具生成住宅能源数据，并探讨大型基础模型在电力系统中的应用潜力，提出了利用微调语言模型恢复负荷数据的新方法，展示了其在电力系统分析中的重要性。

本文探讨了深度学习模型在短期电力负荷预测中的应用，比较了多种模型的准确性。研究表明，N-BEATS模型表现最佳，外部因素对预测精度有显著影响。此外，提出了基于视觉分析的应用程序Forte，以增强对预测模型的信任和网格功能。

本文介绍了一种基于Transformer的深度学习方法，结合联邦学习进行短期电力负荷预测，显示出优于传统模型的性能，尤其在准确性和计算效率方面具有显著优势。