面向风力发电的后验-预测方差分解: 用于表征epistemic与aleatoric不确定性
机器学习
2026-05-22 v1
摘要
准确的风力预测需要可靠的不确定性量化, 但大多数现有方法报告单一的预测不确定性, 将epistemic与aleatoric来源混合。本文将总体方差定理应用于heteroscedastic神经网络回归与贝叶斯后验近似的联合设置, 推导出总不确定性(TU)明确分解为aleatoric(AU)和epistemic(EU)组成部分。所得估计器与标准后验近似方法兼容, 并与-NLL训练相容, 以调节均值-方差学习权衡。提出针对风力发电的评估框架以验证无接触 ground-truth不确定性标签的情况下的解�散, 包括三个模块: 受控的人工实验以验证对异方差噪声和分布迁移的响应; 基于数据属性的真实世界风力涡轮SCADA数据验证; 以及数据集规模扩展实验以检验EU的预测渐近行为。在人工实验和真实世界实验中, 分解后的AU和EU组成在噪声结构、分布迁移和训练规模变化下均表现出理论一致的响应方向, 支持该分解和评估协议的理论一致性和操作实用性。
引用
@article{arxiv.2605.22390,
title = {A Posterior-Predictive Variance Decomposition for Epistemic and Aleatoric Uncertainty in Wind Power Forecasting},
author = {Yinsong Chen and Samson S. Yu and Kashem M. Muttaqi},
journal= {arXiv preprint arXiv:2605.22390},
year = {2026}
}