基于降维的 VAE-贝叶斯深度学习太阳能发电预测方案
机器学习
2023-01-31 v2 信号处理
摘要
现代电力系统中分布式发电技术的发展使得可再生能源发电在用户侧广泛接入。然而，可再生能源的间歇性给具有潜在不确定性的电网运行规划带来新挑战。本文提出一种新颖的贝叶斯概率技术，通过集成双向长短期记忆（BiLSTM）神经网络并利用变分自编码器（VAE）压缩权重参数，以解决数据与模型不确定性，从而预测可再生太阳能发电。现有贝叶斯深度学习方法需从以概率分布形式表达的权重参数中抽取大量样本，计算复杂度高。所提方法通过降低模型参数维度，以更高计算效率处理模型与数据中的不确定性。该方法使用分位数损失、重构误差以及如均方根误差等确定性预测评价指标进行评估。数值结果表明，在不同规模数据集下，VAE-贝叶斯 BiLSTM 在精度与计算效率方面均优于其他概率与确定性深度学习方法。
引用
@article{arxiv.2103.12969,
title = {A VAE-Bayesian Deep Learning Scheme for Solar Generation Forecasting based on Dimensionality Reduction},
author = {Devinder Kaur and Shama Naz Islam and Md. Apel Mahmud and Md. Enamul Haque and Adnan Anwar},
journal= {arXiv preprint arXiv:2103.12969},
year = {2023}
}
备注
12 pages, 7 figures