电力系统中概率能量预测的深层生成模型：归一化流
机器学习
2021-09-22 v4 系统与控制
系统与控制
机器学习
摘要
终端用能部门更高的直接电气化以及更高比例的可再生能源，是到 2050 年实现碳中性社会的支柱之一。然而，与传统电厂不同，可再生能源具有不确定性，这给其与电力系统的交互带来挑战。基于情景的概率预测模型已成为装备决策者的关键工具。本文向电力系统预测从业者介绍一种近期深度学习技术——归一化流(normalizing flows)，以产生准确的基于情景的概率预测，这对应对电力系统应用中的新挑战至关重要。该技术的优势在于通过最大化似然直接学习底层过程的随机多元分布。通过使用全球能源预测竞赛 2014 的开放数据开展全面实证评估，我们证明该方法与其他最先进的深度学习生成模型——生成对抗网络(generative adversarial networks)和变分自编码器(variational autoencoders)——具有竞争力。我们在考虑能源零售商案例研究以及使用若干互补指标的质量时，就预测价值对生成基于天气的风电、太阳能发电和负荷情景的模型进行了恰当比较。数值实验简单且易于复现。因此，我们希望这将鼓励其他预测从业者在电力系统应用中测试并使用归一化流，例如电力市场竞价、高比例可再生能源渗透的电力系统调度、虚拟电厂或微电网的能量管理以及机组组合。
引用
@article{arxiv.2106.09370,
title = {A deep generative model for probabilistic energy forecasting in power systems: normalizing flows},
author = {Jonathan Dumas and Antoine Wehenkel Damien Lanaspeze and Bertrand Cornélusse and Antonio Sutera},
journal= {arXiv preprint arXiv:2106.09370},
year = {2021}
}
备注
Version accepted to be published on Applied Energy