机构名称：
¥ 1.0
电力预测对现代电力系统的关键决策具有重要意义，包括发电、输电、配电等。在文献中，传统的统计方法、机器学习方法和基于深度学习（例如循环神经网络）的模型用于模拟电力时间序列数据的趋势和模式。然而，它们要么受到确定性形式的限制，要么受到概率假设独立性的限制——从而忽略了电力数据分布之间的不确定性或显著相关性。反过来，忽略这些可能会导致误差累积，尤其是在依赖历史数据并旨在进行多步预测时。为了克服这些问题，我们提出了一种名为概率电力预测 (PrEF) 的新方法，该方法提出了一个非线性神经状态空间模型 (SSM)，并将 copula 增强机制纳入其中，该方法可以从大规模电力时间序列数据中学习不确定性依赖性知识并了解各种因素之间的交互关系。我们的方法通过其可追溯的推理过程和提供高质量概率分布预测的能力与现有模型区分开来。在两个真实世界电力数据集上进行的大量实验表明，我们的方法始终优于其他方法。
PrEF：通过 Copula 进行概率电力预测 - ...
主要关键词
相关文件推荐
