ScenGAN：面向不确定性感知的可再生场景预测生成模型
机器学习
2025-09-23 v1 人工智能
摘要
为解决可再生能源源（RES）发电的间歇性问题，情景预测提供了一系列随机实现，具有更好的灵活性和直观的视图。在长时间序列视角下，本文探讨了可再生电力和深度学习领域的不确定性。然后，精心设计了一个用于可再生情景预测的不确定性感知模型，该模型利用注意力机制和生成对抗网络（GAN）来精确捕获复杂的时空动力学。为提高不确定行为在RES发电中的可解释性，融合了贝叶斯深度学习和自适应实例归一化（AdaIN），以模拟典型模式和变化。此外，在处理层面集成了气象信息、预测数据和历史轨迹，提高了对多尺度周期性规律的协同预测能力。数值实验和案例分析表明，所提出的方法为可再生不确定性表示提供了适当的解释，包括偶然不确定性和认识论不确定性，并在最先进的方法方面显示出优异性能。
引用
@article{arxiv.2509.17119,
title = {ScenGAN: Attention-Intensive Generative Model for Uncertainty-Aware Renewable Scenario Forecasting},
author = {Yifei Wu and Bo Wang and Jingshi Cui and Pei-chun Lin and Junzo Watada},
journal= {arXiv preprint arXiv:2509.17119},
year = {2025}
}