基于 Bernstein 多项式归一化流的低压负荷短期密度预测
机器学习
2023-06-16 v3 应用统计
统计方法学
机器学习
摘要
向完全可再生能源电网的转型需要更好地预测低压层面的需求，以提高效率并确保可靠控制。然而，高波动性与日益增加的电气化导致巨大的预测变异性，传统点估计未能反映这一点。概率负荷预测考虑了未来的不确定性，从而允许对低碳能源系统的规划与运行做出更明智的决策。我们提出了一种基于 Bernstein 多项式归一化流的短期负荷灵活条件密度预测方法，其中神经网络控制流的参数。在一项包含 363 个智能电表用户的实证研究中，我们的密度预测优于高斯与高斯混合密度。并且，对于两种不同神经网络架构的 24 小时提前负荷预测，它们也优于基于 pinball 损失的非参数方法。
引用
@article{arxiv.2204.13939,
title = {Short-Term Density Forecasting of Low-Voltage Load using Bernstein-Polynomial Normalizing Flows},
author = {Marcel Arpogaus and Marcus Voss and Beate Sick and Mark Nigge-Uricher and Oliver Dürr},
journal= {arXiv preprint arXiv:2204.13939},
year = {2023}
}