Jinghao Wang
Om
Jeg har en Bachelor of Science-grad i sikkerhetsteknikk fra China University of Mining and Technology, og en Master of Science-grad i pålitelighet, tilgjengelighet, vedlikehold og sikkerhet fra Norges teknisk-naturvitenskapelige universitet. Mitt nåværende forskningsfokus er knyttet til Inthydro-prosjektet, som omfatter AI-assistert langsiktig vannkraftplanlegging, strømmarkedsdynamikk, kraftsystembalansering og maskinlæringsapplikasjoner.
De forventede resultatene av mine forskningen er som følger:
Forbedring av dagens modell brukt i vannkraftplanlegging. Planleggingsmetodikken under utvikling kan tilby en ny tilnærming til vannkraftplanlegging, med maskinlæring og AI-teknikker som potensielt kan gi et overlegent alternativ.
Utvikling av et nytt planleggingsverktøy for å hjelpe til med utsendelse av fornybar energi. Målet er å gjøre planleggingsprosessen mer fleksibel og nøyaktig, ikke bare for kortsiktig, men også for langsiktig planlegging.
Integrasjon av planleggingsmodellen med andre estimerings- og simuleringsmodeller. Gitt at mange faktorer påvirker planleggingen av vannkraft, kan det å slå sammen flere simuleringsmetoder til én modell være altfor komplisert og upålitelig. Som sådan tar vi sikte på å finne en løsning for effektiv kobling av ulike simuleringsverktøy.
Kompetanseord
Publikasjoner
2024
-
Wang, Jinghao;
Yousefi, Mojtaba;
Rajasekharan, Jayaprakash;
Arghandeh, Reza;
Farahmand, Hossein.
(2024)
Exploring the application of machine-learning techniques in the next generation of long-term hydropower-thermal scheduling.
IET Renewable Power Generation
Vitenskapelig artikkel
2023
-
Yousefi, Mojtaba;
Wang, Jinghao;
Høivik, Øivind Fandrem;
Rajasekharan, Jayaprakash;
Wierling, August Hubert;
Farahmand, Hossein.
(2023)
Short-term inflow forecasting in a dam-regulated river in Southwest Norway using causal variational mode decomposition.
Scientific Reports
Vitenskapelig artikkel
2022
-
XU, CHENG;
Zhao, Meng;
Zhang, Jianhua;
Wang, Jinghao;
Pan, Xueping;
Liu, Xiufeng.
(2022)
TransNILM: A Transformer-based Deep Learning Model for Non-intrusive Load Monitoring.
IEEE Xplore Digital Library
Vitenskapelig artikkel
Tidsskriftspublikasjoner
-
Wang, Jinghao;
Yousefi, Mojtaba;
Rajasekharan, Jayaprakash;
Arghandeh, Reza;
Farahmand, Hossein.
(2024)
Exploring the application of machine-learning techniques in the next generation of long-term hydropower-thermal scheduling.
IET Renewable Power Generation
Vitenskapelig artikkel
-
Yousefi, Mojtaba;
Wang, Jinghao;
Høivik, Øivind Fandrem;
Rajasekharan, Jayaprakash;
Wierling, August Hubert;
Farahmand, Hossein.
(2023)
Short-term inflow forecasting in a dam-regulated river in Southwest Norway using causal variational mode decomposition.
Scientific Reports
Vitenskapelig artikkel
-
XU, CHENG;
Zhao, Meng;
Zhang, Jianhua;
Wang, Jinghao;
Pan, Xueping;
Liu, Xiufeng.
(2022)
TransNILM: A Transformer-based Deep Learning Model for Non-intrusive Load Monitoring.
IEEE Xplore Digital Library
Vitenskapelig artikkel
Formidling
2022
-
Vitenskapelig foredragWang, Jinghao; Yousefi, Mojtaba; Cheng, Xiaomei; Rajasekharan, Jayaprakash; Arghandeh, Reza; Pan, Xueping. (2022) Self-organizing maps for scenario reduction in long-term hydropower scheduling. IEEE IECON 2022 – 48th Annual Conference of the IEEE Industrial Electronics Society , Brussels 2022-10-17 - 2022-10-20
-
Faglig foredragWang, Jinghao. (2022) Machine learning-based forepart block decomposition model as a precursor to the Scenario fan problem. NTNU, SINTEF, StatKraft International Conference on Hydropower Scheduling in Competitive Electricity markets , Statkraft, Oslo, Norway, 2022-09-12 - 2022-09-15