基于管损失的深度网络用于提高风速概率预测
机器学习
2025-05-27 v1 人工智能
摘要
不确定性量化（UQ）在风速预测中是风力发电的关键挑战，由于风的本质高度波动。通过量化相关风险与收益，UQ支持更有效的电网运营决策并参与电力市场。在本文中，我们设计了一系列基于深度学习的概率预测方法，采用管损失函数进行风速预测。管损失函数是一种简单且与模型无关的预测区间（PI）估计方法，可在不做任何分布假设的情况下获得窄的PI并保证渐近覆盖。我们的深度概率预测模型有效地将流行的架构如 LSTM、GRU 和 TCN 纳入管损失框架。我们进一步设计了一种简单而有效的启发式方法，用于调整管损失函数的 参数，以便我们的深度预测模型获得更窄的PI，而不损害其校准能力。我们考虑了三个风能数据集，包含来自三个不同地点（JAISALMER、洛杉矶和旧金山）的风速逐小时记录。我们的numerical结果表明，所提出的深度预测模型比最近发展的概率风速预测方法更可靠且PI更窄。
引用
@article{arxiv.2505.18284,
title = {Tube Loss based Deep Networks For Improving the Probabilistic Forecasting of Wind Speed},
author = {Pritam Anand and Aadesh Minz and Asish Joel},
journal= {arXiv preprint arXiv:2505.18284},
year = {2025}
}