概率短期负荷预测的堆叠方法
该论文提出了一种基于元学习算法的短期负荷预测方法,通过少量训练样本在任意长度的未知负荷时间序列中快速适应和泛化,并通过历史负荷消耗数据集的评估表明,该方法能够准确预测负荷,比传统的迁移学习和任务特定的机器学习方法提高了 12.5% 的准确度。
Jun, 2024
在空间插值和其他领域中,通过使用九种基于分位数的集成学习方法,将距离加权卫星降水数据与位置高程相结合,通过对比量化打分函数,证明了堆叠方法在提高概率预测方面的潜力。
Mar, 2024
本研究提出了 Masked Multi-Step Multivariate Probabilistic Forecasting (MMMPF)框架,通过结合过去的时间信息和未来的已知信息来进行概率预测,以训练任何能够生成输出序列的神经网络模型,用于短期和中期的多区域电力需求预测,并通过各种机器学习方法进行比较验证,结果表明提出的 MMMPF 框架不仅优于基于样本的方法,还优于现有时间序列预测模型。使用 MMMPF 训练的模型还可以生成期望分位数以捕获不确定性,并实现未来电网的概率规划。
Feb, 2023
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
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
通过离线学习和在线学习过程,本文研究了一种自适应概率性风力发电预测方法,该方法在基本预测模型中引入了元学习的内外循环更新,使其具备对不同预测任务(具有不同前导时间或位置的概率性风力发电预测)的优秀适应性。该方法在在线学习阶段与增量学习技术相结合,充分利用最新信息和基本预测模型的适应性,在不同前导时间(时间上的适应)和新建风电场的预测(空间上的适应)方面取得了良好的应用效果。通过对真实世界的风力发电数据集进行数值测试,仿真结果验证了该方法相对于现有替代方法的优势。
Aug, 2023
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
通过对具有 15 年长期月度跨越美国的大型数据集进行广泛比较,本研究旨在首次进行基于机器学习的不确定性量化任务的基准测试,结论表明适用于此任务的学习器的能力排名分别为:LightGBM,QRF,GRF,GBM,QRNN 和 QR。
Nov, 2023
本文介绍了一种基于 Transformer 的深度学习方法,利用联邦学习进行短期电力负荷预测,模型的性能超过了长短时记忆模型和卷积神经网络,是联邦学习中值得期待的一个替代方案。
Oct, 2023