基于梯度下降优化方法的深度区间预测模型用于短期风电预测
系统与控制
2019-11-20 v1 机器学习
系统与控制
摘要
风电区间预测在电力系统的应用试图为电网调度人员和操作员提供更全面的支持。下界上界估计(LUBE)方法被广泛应用于区间预测。然而，现有的LUBE方法通过元启发式优化进行训练，当LUBE模型复杂时，要么耗时要么效果不佳。本文在LUBE框架下设计了一种深度区间预测方法，并提出了一种高效的梯度下降(GD)训练方法来训练LUBE模型。该方法中，选取长短期记忆作为代表以展示建模方法。所提模型的架构由三部分组成，即长短期记忆模块、全连接层和排序模块。基于均方根反向传播算法，专门设计了两个损失函数以实现GD训练方法。为验证所提模型的性能，在数值实验中对比了常规LUBE模型以及流行的统计区间预测模型。结果表明，所提方法在有效性和效率方面表现最佳，与传统LUBE模型相比，预测区间质量平均提升45%，耗时减少66%。
引用
@article{arxiv.1911.08160,
title = {Deep interval prediction model with gradient descend optimization method for short-term wind power prediction},
author = {Chaoshun Li and Geng Tang and Xiaoming Xue and Xinbiao Chen and Ruoheng Wang and Chu Zhang},
journal= {arXiv preprint arXiv:1911.08160},
year = {2019}
}
备注
24 pages