A Large-Scale Multiobjective Evolutionary Quantile Estimation Model for Wind Power Probabilistic Forecasting

doi:10.1109/TEVC.2024.3486741

A Large-Scale Multiobjective Evolutionary Quantile Estimation Model for Wind Power Probabilistic Forecasting

2024-01-01

0

PRE

AI

何

何耀耀 (Yaoyao He)

DOI：10.1109/TEVC.2024.3486741

原文链接

原文求助

摘要

En 中文

短期风电概率预测可以为决策者提供增强管理能力所需的全面信息。大多数风电概率预测是通过在单一分位数上多次训练pinball loss来建模的。然而，这种建模导致两个潜在局限性，即传统概率预测模型难以在准确度和宽度之间取得平衡，且容易产生分位数交叉。本文提出了一种称为大规模多目标进化分位数估计（LMOEQE）的新型模型，以获得高质量的风电概率估计。具体而言，为避免分位数交叉，首先提出了一种多分位数回归单调模糊神经网络（MQRMFNN），以同时输出单调递增的概率分布。然后，设计了一个包含准确度、可靠性和宽度的多损失函数框架。基于此框架，我们将MQRMFNN的训练视为一个大规模多目标问题（MOP），以实现概率分布各项指标的权衡。但针对概率神经网络的规模级MOP优化在效率与性能方面要求极高。为此，提出了一种大规模分布式多目标竞争群优化算法（LDMOCSO）用于解决构建的大规模MOP。它通过实施不同状态下的分布式竞争更新策略来利用决策空间中的全局信息，有效提升收敛速度和多样性。所有方法在真实数据集上均表现出优越性。

Keyword:

Lager-scale multiobjective optimization

neural network

quantile regression

wind power probabilistic forecasting

A Large-Scale Multiobjective Evolutionary Quantile Estimation Model for Wind Power Probabilistic Forecasting

摘要

期刊

机构

引用论文