通过整合可再生能源、CAT蓄电池储能和电动汽车，利用以能源为支撑的代币优化去中心化点对点能源交易。

以动力为支撑的根据token的P2P生意削减了对电网的依托，降低了本钱，并提高了自给自足才干。整合可再生动力、电池储能和EVs进一步增强了系统活络性，支撑可继续的动力转型。本研讨提出了一种去中心化的以动力为支撑的token商场，该商场运用智能合约和推迟机制来限制...通货膨胀以及未来的顾客联盟，其间包含智能电表、电动汽车和电动汽车充电站。开发了一种根据猜想发电量和需求量的优化调度算法，以进步个人和集体的福利。智能停车位使电动汽车可以参加商场，而一个“ADMM该算法根据电动汽车的充电动态完成了去中心化的商场结算。本研讨运用以动力为支撑的token，对一个包含36个参加者（12个prosumer、19个consumer、5辆EV）的去中心化动力生意模型进行了查询。Case 1完成了15.9%的自给率；Case 2加入了EV，提高了活络性。该模型满足了DSO 99%的需求，降低了本钱，并在6秒内通过38个epoch到达了0.0017的验证功用和0.0024的测试功用。该模型精确猜想了光伏发电量的不坚定，尤其是在顶峰时段。将根据token的动力生意与自习惯电池办理及EV相结合，降低了动力本钱并提高了用户的独立性。实施demurrage机制安稳了token商场并改善了社会福利。

导语

     分布式动力（DERs），包含太阳能光伏（PVs）、风力涡轮机（WT）、水力发电机以及地热和潮汐电站，正在许多国家得到广泛选用。其目的有两个方面：一是根据《巴黎协议》帮助应对气候改变，二是在区域或国内层面推行清洁动力的广泛运用。因此，分布式发电（DG）已成为传统会合式电网的一种可行代替方案。DG触及运用DERs来发电。DG的广泛实施导致全球可再生电力（RE）的份额显着上升。从2011年到2021年，RE的份额已从20.4%增至28.3%。值得注意的是，太阳能和风能的增加最为显着，从2011年的2%增加到2021年的10%[1]。预计到2050年，修建动力中可再生动力的份额将进步到35%，而2019年这一份额还不到20%[2,3,4]。
    DG容许家庭的商业以及工业部分独立装置DERs结构，并通过peer-to-grid（P2G）生意机制将其生产的电力出售给公用事业公司。这得益于Net Metering（NM）以及Feed-in Tariff（FiT）等特定政策。NM的指令现在在70个国家盛行，规模包含但不限于美国、加拿大和印度。该政策使DER结构的用户可以根据其净电能消耗支付电费，一起考虑运用和发送到网络的电量[5]。FiT政策被视为公用事业公司与独立装置商之间的合同协议，现在已在111个州或国家实施。作为一种鼓舞措施，政府或公用事业公司会为每千瓦时生成的电力供应feed-in tariff[6]。在香港，FiT费率相对较高，规模从0.32至0.51美元/千瓦时不等。这些价格是作为2019年推出的FiT方案的一部分供应给装置商的[7]。但是，一旦商场到达更先进的阶段，公用事业公司向私人设备供应的财政帮助或许会逐步削减并终究消失。另一方面，RE将以出口价格卖回给公用事业公司，这是P2G生意的类型之一。在韩国，结构边际本钱被视作...
尽管积极实施NM以及FiT法规以支撑RE整合[9]，但DERs的大规模选用仍或许导致电网容量依然不足。在这种情况下，点对点（P2P）生意已成为NM及FiT的代替方案，容许产消者（装置DERs结构的个人）直接与其他产消者生意RE，或通过住所及商业终端用户进行生意[10]。P2P生意使动力电网工作愈加活络，然后降低了产消者和顾客的用电本钱。此外，它还鼓舞传统顾客向产消者转型。运用电池储能系统（BESS）或电动汽车（EV）、飞轮和压缩空气系统等储能技术，P2P生意将一向具有这种工作活络性[11]。
  近年来，由于微电网级P2P生意与P2G生意相比具有显着的特征差异，其受到了广泛重视。这些差异体现在以下方面。人们逐步认识到，P2P生意是一种活络的生意方式——此外，在经济可行性因素上，它对产消者和电力顾客均有利可图。这是由于P2P生意本钱一般高于电力出口本钱，但低于零售电价[7]。微电网内部（在本案例中为社区）的P2P生意仅触及产消者与客户之间的点对点生意。这种内部生意在微电网层面具有本钱效益，由于它无需承担该层级的输电损耗[12]。此外，承认P2P生意本钱的方法最为活络。与一般根据平准化动力本钱核算的FiT以及经常设定为固定本钱或共同费率的NM不同[7]，对P2P生意本钱的研讨涵盖了多种方法，这些方法与不同的生意战略及定价机制相符合。P2P生意本钱可以采纳多种方式，例如共同费率（全天候、任何时段均选用稳定费率）、分时电价（ToU）（根据用电时间不坚定的费率），或离散时间费率（通过改变频率完成周期性时间距离的设定，如每15分钟）。这些不同类型的费率将在下一部分具体论述。
 近年来，风能领域经历了显着增加。例如，European Union (EU) 现在的装机风电容量为142 Gigawatt (GW) [13]。2019年，全球新增风电装机容量合计651 GW [14]。
Wind Speed（WS）的不规律性给动力整合进程中风电工作的猜想带来了困难。这导致在处理WS突变所需的规划和调度才干方面呈现困难，然后影响了电力系统猜想的精确性。风力发电和可靠性规划依托于精确高效的Ws猜想以及习惯系统改变以改善风电猜想的活络性[3]。根据《全球动力陈述》，2018年风力发电量增加至54.6 GW装机容量。我国和美国现在在装机容量方面处于领先地位。
     德国和印度都对风能发电体现出浓厚的喜好，由于它们具有有用的Ws猜想才干[5]。随着风电渗透率的不断进步，风电功率猜想正变得日益重要。由于负荷猜想从未完全精确，每个电力系统都具有必定的调度负荷改变的才干。假如风电渗透率较低，电力系统无需过度优先考虑风电供应的不坚定性。
      机器学习是一门核算机科学学科，旨在通过根据经历的自我改善来提高软件功用。这一战略触及为机器供应各种输入，且不对其怎样处理问题进行清晰指示。随后，机器运用这些经历生成一个模型，该模型可用于处理未来的相似困难。机器学习的完好进程包含多个阶段。一般情况下，会先收集从前经历以便在后续阶段进行练习。此时，将承认特定政策函数的具体性质，该函数阐明晰输入与输出之间的相关性。从那时起，挑选一个机器学习模型来猜想政策函数。终究，运用恰当的核算方法根据练习模型构建出一个模型[6]。
    完全消除风能不坚定是不或许的，但机器学习的使用或许会进步风电的可猜想性及其价值。此外，这些战略可以提高风电场运营的精确性，使风电场运营商可以更快、更依托数据且更智能地评价其发电量怎样满足电力需求[7]。本研讨的首要政策是运用机器学习方法猜想风力涡轮机的发电量。由于运用机器学习进行风力涡轮机功率猜想的研讨较少，咱们特别感喜好的是评价其在该领域的功用体现。
  谈论最新的研讨方法对谈论大有裨益。因此，下文回忆了该领域最新的相关文献。例如，Li等人[15]提出的模型进一步扩展了这一点，该模型将Long Short-Term Memories（LSTM）与spiking neural networks（SNNs）相结合，运用时间表征的优势来改善多模态数据会合的zero-shot learning。凭借固有的长期依托性以及脉冲精度，该模型在来自不同基准测试的泛化使命中，相较于传统的zero-shot learning方法展现出显着优势。为了处理大规模multi-objective optimization中传统分组方法存在的高本钱和短少活络性问题，Zhang等人[16]开发了一种根据Pearson correlation的自习惯变量分组方法。该方法无需额外核算预算即可完成变量的最优分组，并且当与加权优化结构结合时，它在包含多达5000个变量的基准测试上优于各种现有分组战略和state-of-the-art优化器。Sammartino[17]通过HaSpeeDe 2020数据集比较了几种机器学习模型，以检测意大利语文本中敌视言辞和刻板形象的存在。character n-grams和BERT均取得了最佳功用，其间BERT在敌视言辞检测方面到达了76%，而character n-grams在刻板形象检测方面到达了72%。