非参数化端到端概率分布式发电产量预测考虑缺失数据插补
通过利用生成模型,在不需要预处理且避免引入潜在错误的情况下,同时预测基于观测值的所有未知值,提供了一种高效的概率预测方法,相比传统的先填补值再预测方法,能够在连续排名概率得分方面取得更好的性能。
Mar, 2024
本文提出了一个基于神经网络的端到端模型,可以在存在缺失值的时间序列数据上,同时实现预测并融合缺失值,相比现有方法表现出更好的综合性能。
Jun, 2023
本文提出了一个新颖的概率框架,用于处理具有缺失值的多变量时间序列数据的分类问题。通过训练两个部分的模型,一个用于缺失值填补的深度生成模型,一个用于分类的分类器,能够有效地建模填补缺失值带来的不确定性,并且利用新的正则化技术解决了合并模型可能产生的无意义填补解的问题,通过在真实世界数据上进行广泛实验,证明了我们方法的有效性。
Aug, 2023
本文提出了一种新颖的生成式概率预测方法,基于非参数时间序列的 Wiener-Kallianpur 创新表示。在生成人工智能的范式下,提出的预测架构包括一个自编码器,将非参数多变量随机过程转化为规范化的创新序列,根据过去样本的条件概率分布生成未来时间序列样本。提出了一种新颖的深度学习算法,使潜在过程成为具有匹配自编码器输入 - 输出条件概率分布的独立同分布序列。该生成式预测方法具有渐近最优性和结构收敛性质。研究了三个应用领域,包括实时市场操作中的高动态和高波动时间序列:(i) 商业储能参与者的位置边际价格预测,(ii) 互联市场的区域价格差预测,以及 (iii) 频率调节的区域控制误差预测。基于多个独立系统运营商的市场数据的数值研究表明,在概率和点预测指标下,与传统的和基于机器学习的预测技术相比,该方法具有更优越的性能。
Mar, 2024
提出了一种基于新型深度学习结构的多方向循环神经网络方法,用于在数据流内插值和在数据流中添加值。模型在医疗数据集中的表现优于 11 个现有方法,提高了 35% 至 50% 左右的均方根误差,有效地解决了医疗数据中缺失数据的问题。
Nov, 2017
本文提出了一个新的框架,使用长短期记忆(LSTM)时间序列预测和深度确定性策略梯度 (DDPG) 多智能体强化学习算法来解决可再生能源不确定性在智能电网中带来的挑战和分布能源管理中的新挑战,旨在同时考虑两个目标,从而实现对批发和零售市场的高效能源管理,并证明建议的解决方案显着提高了载荷服务实体(LSE)的利润,同时使用 DDPG 代理实现人工智能电池充电 / 放电,以最大化分布式 PV 和电池安装用户的利润。
Feb, 2023