用于风电概率预测的平滑弹球神经网络
机器学习
2017-10-05 v1
摘要
以概率预测形式进行的不确定性分析，能够显著改善智能电网中为更好地整合风能等可再生能源而进行的决策过程。点预测仅提供单一的期望值，而概率预测则以分位数、预测区间或完整预测密度的形式提供更多信息。本文分析了一种新颖的非参数风电概率预测方法的有效性，该方法将弹球损失函数的平滑近似与神经网络架构以及一种权重初始化方案相结合，以防止分位数交叉问题。我们利用2014年全球能源预测竞赛中公开可用的风能数据进行了数值案例研究。通过估计多个分位数来形成10%至90%的预测区间，并使用分位数评分和可靠性度量对其进行评估。采用持续性分布和气候学分布、多重分位数回归以及支持向量分位数回归等基准模型进行比较，结果表明，所提出的方法在防止分位数估计重叠问题的同时，实现了性能的提升。
引用
@article{arxiv.1710.01720,
title = {Smooth Pinball Neural Network for Probabilistic Forecasting of Wind Power},
author = {Kostas Hatalis and Alberto J. Lamadrid and Katya Scheinberg and Shalinee Kishore},
journal= {arXiv preprint arXiv:1710.01720},
year = {2017}
}