May, 2022

通过强化学习实现配电系统电力负荷预测的最优自适应预测区间

PDF
TL;DR该研究提出了一种基于在线学习的预测区间（PI）估计方法，该方法利用强化学习的在线学习能力来适应不同的数据分布，并通过神经网络模型自适应确定对称或不对称的概率比例对于分位数。该方法能够更好地适应数据分布，并获得更高质量的 PI，同时还具有更强的概念漂移鲁棒性。
prediction intervalsadaptivityreinforcement learningneural networksquantile regression
发现论文，激发创造
  • 深度学习的高质量预测区间：一种无分布、集成方法

    本论文研究使用神经网络生成预测区间 (PIs) 以量化回归任务中的不确定性。通过导出一个无需分布假设的损失函数，该方法能够生成高质量的 PIs，并通过集成学习考虑了模型不确定性，实验结果表明该方法优于目前最先进的不确定性量化方法，平均 PI 宽度减少了 10% 以上。

    Feb, 2018

  • 短期电力需求的任意分位数概率预测

    该论文提出了一种新颖的通用方法，能够预测任意分位数，并应用于两种不同的神经网络结构，在短期电力需求预测任务中取得了最新的分布预测结果。

    Apr, 2024

  • 深度网络自适应、无分布预测区间

    提出了一种基于统计方法的神经网络预测间隔构造方法，旨在解决其他相关研究的局限性，提供更为准确的预测区间并保证预测精度，该方法易于实施且适用于大多数深度神经网络。

    May, 2019

  • 用基于聚类的自助法学习电力需求的区间预测

    通过使用残差自举算法进行区间估计，本研究介绍了一种用于获取电力需求的未来估计值的算法。该算法使用机器学习算法获取训练集上的点估计值和对应的残差，并通过无监督学习算法将残差进行分组和分区，以获取最接近测试日的相似日的残差进行自举操作。该算法使用 EULR（终端负荷研究）的真实电力需求数据进行评估，并与其他自举方法在不同置信区间上进行比较。

    Sep, 2023

  • 最优不确定性引导的神经网络训练

    本文提出了一种高度可定制的平滑成本函数来开发神经网络以构建最优预测间隔，在风能和电力需求数据上进行了测试，结果表明该方法减少了 PI 质量的变异性，加速了训练并将收敛概率从 99.2％提高到 99.8％。

    Dec, 2019

  • 一种新的平滑损失和惩罚函数，用于通过深度神经网络进行非交叉复合分位数估计

    本文提出了一种新的平滑损失及惩罚函数的神经网络方法，用于解决智能电力系统中风能等可再生能源的概率预测问题中遭遇的分位数交叉问题，实证研究结果表明该方法可以有效提高风力发电预测的准确性。

    Sep, 2019

  • 使用隐式分位数网络的概率时间序列预测

    本文介绍了一种概率时间序列预测的一般方法，通过结合自回归循环神经网络和隐含量子网络来建模时间动态并学习一系列时间序列预测模型，在真实数据和模拟数据上得出的结果表明，该方法在预测准确性和估计潜在时间分布方面具有优势。

    Jul, 2021

  • 基于分位数约束的强化学习：约束失效概率的强化学习框架

    本文提出了一种框架，名为 Quantile Constrained RL (QCRL)，用于约束累积成本总和的分布分位数，并利用 LDP 来估计 QCPO 中的分位数和尾概率。

    Nov, 2022

  • 基于在线确定性神经网络集成的日前电力价格概率预测

    我们提出了一种基于合规推理的新方法来进行概率电价预测 (PEPF)，通过在线重新校准程序，在多个市场地区进行实验，实现了具有改进小时覆盖率和稳定概率评分的次日预测。

    Apr, 2024

  • 非参概率风力预测的受约束支持向量分位回归的实证分析

    本文通过支持向量机和非线性分位数回归结合非交叉约束的方法，进行了风能非参数概率预测的数值研究，并使用 Global Energy Forecasting Competition 2014 的公开数据进行了案例研究，结果表明该方法能够更准确地进行预测，避免交叉分位数预测的问题。

    Mar, 2018