用于生成电力系统预测轨迹的深度生成方法
机器学习
2023-09-28 v1 人工智能
摘要
随着可再生能源在电力结构中的扩张，电网波动性将增加，因此需要增强系统鲁棒性以保障其安全性。为此，输电系统运营商（TSO）必须进行分析以模拟电力系统的未来运行。这些模拟随后被用作决策过程的输入。在此背景下，我们研究使用深度学习模型生成能源生产与负荷预测轨迹。为捕捉这些多变量时间序列中的时空相关性，我们改进了自回归网络与归一化流（normalizing flows），并证明了它们相对于当前基于 copula 的统计方法的有效性。我们在法国 TSO RTE 的风电预测数据上进行了大量实验，并使用针对时间序列生成的特设（ad hoc）评估指标对不同模型进行了比较。
引用
@article{arxiv.2309.15137,
title = {Deep Generative Methods for Producing Forecast Trajectories in Power Systems},
author = {Nathan Weill and Jonathan Dumas},
journal= {arXiv preprint arXiv:2309.15137},
year = {2023}
}
备注
Submited to PSCC 2024