Due to the economic and environmental benefits, wind power is becoming one of the more promising supplements for electric power generation. However, the uncertainty exhibited in wind power data is generally unacceptably large. Thus, the data should be accurately evaluated by operators to effectively mitigate the risks of wind power on power system operations. Recognizing this challenge, a novel deep learning based ensemble approach is proposed for probabilistic wind power forecasting. In this approach, an advanced point forecasting method is originally proposed based on wavelet transform and convolutional neural network. Wavelet transform is used to decompose the raw wind power data into different frequencies. The nonlinear features in each frequency that are used to improve the forecast accuracy are later effectively learned by the convolutional neural network. The uncertainties in wind power data, i.e., the model misspecification and data noise, are separately identified thereafter. Consequently, the probabilistic distribution of wind power data can be statistically formulated. The proposed ensemble approach has been extensively assessed using real wind farm data from China, and the results demonstrate that the uncertainties in wind power data can be better learned using the proposed approach and that a competitive performance is obtained.

Smart-grid development calls for effective solutions, such as electric vehicles (EVs), to meet the energy and environmental challenges. To facilitate large-scale EV applications, optimal locating and sizing of charging stations in smart grids have become essential. This paper proposes a multiobjective EV charging station planning method which can ensure charging service while reducing power losses and voltage deviations of distribution systems. A battery capacity-constrained EV flow capturing location model is proposed to maximize the EV traffic flow that can be charged given a candidate construction plan of EV charging stations. The data-envelopment analysis method is employed to obtain the final optimal solution. Subsequently, the well-established cross-entropy method is utilized to solve the planning problem. The simulation results have demonstrated the effectiveness of the proposed method based on a case study consisting of a 33-node distribution system and a 25-node traffic network system.

The penetration of photovoltaic (PV) energy into modern electric power and energy systems has been gradually increased in recent years due to its benefits of being abundant, inexhaustible and clean. In order to reduce the negative impacts of PV energy on electric power and energy systems, advanced forecasting approach with high-accuracy is a pressing need. Aimed at this, a novel hybrid method for deterministic PV power forecasting based on wavelet transform (WT) and deep convolutional neural network (DCNN) is firstly proposed in this paper. WT is used to decompose the original signal into several frequency series. Each frequency has better outlines and behaviors. DCNN is employed to extract the nonlinear features and invariant structures exhibited in each frequency. Then, a probabilistic PV power forecasting model that combines the proposed deterministic method and spine quantile regression (QR) is originally developed to statistically evaluate the probabilistic information in PV power data. The proposed deterministic and probabilistic forecasting methods are applied to real PV data series collected from PV farms in Belgium. Numerical results presented in the case studies demonstrate that the proposed methods exhibit the ability of improving forecasting accuracies in terms of seasons and various prediction horizons, when compared to conventional forecasting models.

Due to the aging of electric infrastructures, conventional power grid is being modernized toward smart grid that enables two-way communications between consumer and utility, and thus more vulnerable to cyber-attacks. However, due to the attacking cost, the attack strategy may vary a lot from one operation scenario to another from the perspective of adversary, which is not considered in previous studies. Therefore, in this paper, scenario-based two-stage sparse cyber-attack models for smart grid with complete and incomplete network information are proposed. Then, in order to effectively detect the established cyber-attacks, an interval state estimation-based defense mechanism is developed innovatively. In this mechanism, the lower and upper bounds of each state variable are modeled as a dual optimization problem that aims to maximize the variation intervals of the system variable. At last, a typical deep learning, i.e., stacked auto-encoder, is designed to properly extract the nonlinear and nonstationary features in electric load data. These features are then applied to improve the accuracy for electric load forecasting, resulting in a more narrow width of state variables. The uncertainty with respect to forecasting errors is modeled as a parametric Gaussian distribution. The validation of the proposed cyber-attack models and defense mechanism have been demonstrated via comprehensive tests on various IEEE benchmarks.

Abstract Peptide sequencing via tandem mass spectrometry (MS/MS) is fundamental in proteomics data analysis, playing a pivotal role in unraveling the complex world of proteins within biological systems. In contrast to conventional database searching methods, deep learning models excel in de novo sequencing peptides absent from existing databases, thereby facilitating the identification and analysis of novel peptide sequences. Current deep learning models for peptide sequencing predominantly use an autoregressive generation approach, where early errors can cascade, largely affecting overall sequence accuracy. And the usage of sequential decoding algorithms such as beam search suffers from the low inference speed. To address this, we introduce π -PrimeNovo, a non-autoregressive Transformer-based deep learning model designed to perform accurate and efficient de novo peptide sequencing. With the proposed novel architecture, π -PrimeNovo achieves significantly higher accuracy and up to 69x faster sequencing compared to the state-of-the-art methods. This remarkable speed makes it highly suitable for computation-extensive peptide sequencing tasks such as metaproteomic research, where π -PrimeNovo efficiently identifies the microbial species-specific peptides. Moreover, π -PrimeNovo has been demonstrated to have a powerful capability in accurately mining phosphopeptides in a non-enriched phosphoproteomic dataset, showing an alternative solution to detect low-abundance post-translational modifications (PTMs). We suggest that this work not only advances the development of peptide sequencing techniques but also introduces a transformative computational model with wide-range implications for biological research.

Abstract Accurate and reliable forecasting of wind power is essential for the stable integration of wind energy into the electrical grid. However, the chaotic nature of wind power presents a significant challenge in utilizing data for effective short‐term forecasting, such as 60‐min predictions. This article introduces a hybrid data‐driven framework that employs an ensemble deep learning model to provide highly precise short‐term wind power predictions. The framework leverages a data‐driven approach to identify the intrinsic components of wind power data, including high‐frequency and low‐frequency components. A convolutional layer‐based feature fusion network is then established to properly extract important information from irrelevant wind energy features. Subsequently, an ensemble of long short‐term memory (LSTM) networks is developed to forecast wind power using the fused features, thereby mitigating the disadvantage of a single prediction model. The numerical experiment is carried out based on two different real‐life datasets. The results demonstrate the effectiveness of the proposed method in forecasting short‐term wind power compared to five benchmarks.