ReModels: 分位数回归平均模型
南澳大利亚地区的澳大利亚全国电力市场(NEM)显示了现代电力市场中观察到的最高水平的价格波动。本文概述了在这些极端条件下的概率预测方法,包括峰值过滤和几个后处理步骤。我们建议使用分位数回归作为概率预测的集成工具,我们的综合预测相对于所有组成模型都取得了更好的结果。在我们的集成框架中,我们证明了用不同的训练期长度对模型进行平均处理会得到更适应的模型和更高的预测准确性。通过将我们的中位数预测与澳大利亚 NEM 运营商提供的点预测进行比较,对最终模型的适用性进行了评估,我们的模型在预测准确性上超过了这些 NEM 预测的显著幅度。
Nov, 2023
本文使用元回归分析方法对电力负荷短期预测精度的影响因素进行了研究,发现预测方法、预测粒度和预测时间步长对 MAPE 的影响较大,本文最终确定 LSTM 方法和神经网络与其他方法的组合是最佳预测方法,同时也提出了在负荷预测领域中需要进一步进行实证分析的观点。
May, 2023
本文提出和分析了一种基于线性分位数回归模型的条件模估计量,并开发了其渐近分布理论。同时构建了分析和子采样法置信区间,并通过蒙特卡洛模拟评估了估计量和置信区间的有限样本性能。最后,将该估计量运用于预测联合循环发电厂数据的净小时电能输出。
Nov, 2018
本研究探索元学习领域,结合点预测与概率短期电力需求预测,在量位线性回归、量位回归森林以及涉及残差模拟的后处理技术的基础上生成量位预测。另外,我们引入了全局和局部元学习的变种。在局部学习模式中,元模型使用最接近查询模式的模式进行训练。通过在 35 个预测场景上进行广泛的实验研究,并使用 16 个基本预测模型,我们的研究结果突显了量位回归森林在其竞争对手中的优势。
Jun, 2024
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
基于鲁棒分位数回归和深度学习的方法,在关键特征异常值存在的情况下,提出了用于估计不确定性的方法,并在医学成像翻译任务中展示了其适用性。
Sep, 2023
本文通过引入一种新的方法来模拟未来几个月至三年的逐小时分辨率下的电力价格,使我们能够提供概率预测,甚至在长期内检测价格剧烈波动的概率,从而解决当前长期电力价格预测困难的问题。
Mar, 2017
本研究旨在提出几种新的方法来改善碳价预测,从而促进碳期货市场的发展。我们收集了多种影响碳价的因素,并选择了最显著的因素进行优化。最后,我们使用了稀疏量化组套索和自适应稀疏量化组套索进行强健的价格预测。通过广泛的实验研究,我们证明了我们提出的方法优于现有方法,并提供了不同水平下未来价格的完整剖面,更好地描述了碳市场的分布。
May, 2023
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。
May, 2022