[论文解读] A Multi-Scheme Ensemble Using Coopetitive Soft-Gating With Application to Power Forecasting for Renewable Energy Generation

André Gensler, Bernhard Sick|arXiv (Cornell University)|Mar 16, 2018

Energy Load and Power Forecasting参考文献 44被引用 5

一句话总结

本文提出了一种新颖的多方案集成学习方法——协同竞争软门控集成（Coopetitive Soft-Gating Ensemble, CSGE），通过协同竞争软门控机制动态结合多个功率预测模型与天气预测模型。该方法自适应地利用全局、依赖提前时间以及依赖天气情境的模型优势，在公开的可再生能源数据集上实现了优于基线集成技术的预测精度。

ABSTRACT

In this article, we propose a novel ensemble technique with a multi-scheme weighting based on a technique called coopetitive soft gating. This technique combines both, ensemble member competition and cooperation, in order to maximize the overall forecasting accuracy of the ensemble. The proposed algorithm combines the ideas of multiple ensemble paradigms (power forecasting model ensemble, weather forecasting model ensemble, and lagged ensemble) in a hierarchical structure. The technique is designed to be used in a flexible manner on single and multiple weather forecasting models, and for a variety of lead times. We compare the technique to other power forecasting models and ensemble techniques with a flexible number of weather forecasting models, which can have the same, or varying forecasting horizons. It is shown that the model is able to outperform those models on a number of publicly available data sets. The article closes with a discussion of properties of the proposed model which are relevant in its application.

研究动机与目标

• 通过整合多样化的预测模型与天气预测，提升可再生能源功率预测的准确性。
• 解决传统集成方法依赖单一多样性原则（如数据、参数或结构多样性）的局限性。
• 开发一种灵活的分层集成框架，支持多种预测时延及不同数量的天气与功率预测模型。
• 实现自适应的模型加权，综合考虑全局性能、提前时间影响以及天气依赖的准确性。
• 提供一种计算高效、易于扩展至实时应用的鲁棒后处理集成技术。

提出的方法

• 该方法采用分层集成结构，结合三种范式：功率预测模型集成、天气预测模型集成以及滞后集成。
• 采用协同竞争软门控机制，在集成成员之间平衡竞争与合作，以优化整体预测性能。
• 每个功率预测模型的权重通过对应天气预测模型的质量动态确定，采用最近邻或多元线性插值进行局部质量评估。
• 集成训练被表述为后处理步骤，通过优化权重向量 η 实现，无需重新训练单个模型，从而实现快速评估与平滑优化。
• 正则化参数 ζ 控制静态平均（高正则化）与纯门控（低正则化）之间的权衡，防止过拟合。
• 框架支持基于新观测的在线权重更新，实现对变化条件的持续适应。

实验结果

研究问题

• RQ1 能否通过整合功率预测模型、天气预测模型与滞后预测的多方案集成，在可再生能源功率预测中超越标准集成技术？
• RQ2 协同竞争软门控如何有效平衡多样化预测模型之间的竞争与合作，以提升预测精度？
• RQ3 所提出方法在不同提前时间及不同数量的天气与功率预测模型下，其适应能力如何？
• RQ4 在多个公开数据集上，CSGE 方法的性能与静态平均及纯门控策略相比如何？
• RQ5 该集成框架能否扩展以支持实时预测场景中的在线学习与不确定性估计？

主要发现

• 所提出的 CSGE 方法在多个公开可用的可再生能源数据集上，优于基线集成技术与单个预测模型。
• 该方法通过根据提前时间与天气状况自适应地利用不同天气与功率预测模型的优势，实现了更高的预测精度。
• 由于其灵活的分层结构，该技术在多种预测时延（包括日前与日内预测）中均表现出鲁棒性。
• 正则化参数 ζ 的使用确保了性能的稳定性，在防止过拟合的同时，允许在适当情况下实现动态加权。
• 集成训练的后处理性质支持快速评估与平滑优化，有利于高效参数调优与在线适应。
• 该方法可根据局部质量评估方式（如最近邻与多元线性插值）的选择，兼容小规模与大规模数据集。