一种用于多步超前太阳能发电预测的贝叶斯深度学习技术
机器学习
2022-03-23 v1
摘要
在本文中，我们提出一种改进的贝叶斯双向长短期记忆（BiLSTM）神经网络，用于多步超前（MSA）太阳能发电预测。所提出的技术应用 alpha-beta 散度，以更恰当地处理太阳能发电数据中的离群值以及由此产生的神经网络权重参数分布的可变性。所提方法在来自 Ausgrid 的高粒度太阳能发电数据上使用概率评估指标（如 Pinball 损失和 Winkler 分数）进行了检验。此外，提供了 MSA 与单步超前（SSA）预测之间的对比分析，以测试所提方法在不同预测时程上的有效性。数值结果清楚地表明，所提的带 alpha-beta 散度的贝叶斯 BiLSTM 在误差性能方面优于标准贝叶斯 BiLSTM 及其他基准方法。
引用
@article{arxiv.2203.11379,
title = {A Bayesian Deep Learning Technique for Multi-Step Ahead Solar Generation Forecasting},
author = {Devinder Kaur and Shama Naz Islam and Md. Apel Mahmud},
journal= {arXiv preprint arXiv:2203.11379},
year = {2022}
}