基于深度生成网络的贝叶斯可再生情景生成
最优化与控制
2018-02-06 v1 机器学习
机器学习
摘要
我们提出了一种利用贝叶斯概率生成可再生情景的方法，通过实现贝叶斯生成对抗网络（Bayesian GAN），其是基于两个互联深度神经网络的生成对抗网络变体。通过使用贝叶斯公式，可以构建和训练生成器以产生捕获数据中不同显著模式的情景，从而实现更好的多样性并更准确地表示底层物理过程。与通常难以扩展或采样的常规统计模型相比，该方法是无模型的，并且可以极高效地生成样本。为验证，我们使用来自NREL集成数据集的风能和太阳能时间序列数据来训练贝叶斯GAN。我们证明了所提方法能够生成具有不同方差和均值簇的风情景，并且即使历史数据被有意混合，也能够同时区分并生成风和太阳情景。
引用
@article{arxiv.1802.00868,
title = {Bayesian Renewables Scenario Generation via Deep Generative Networks},
author = {Yize Chen and Pan Li and Baosen Zhang},
journal= {arXiv preprint arXiv:1802.00868},
year = {2018}
}
备注
Paper accepted to Annual Conference on Information Sciences and Systems (CISS)