[论文解读] An Unsupervised Deep Learning Approach for Scenario Forecasts

Yize Chen, Xiyu Wang+1 more|arXiv (Cornell University)|Nov 7, 2017

Energy Load and Power Forecasting参考文献 15被引用 8

一句话总结

本文提出了一种无需模型、基于数据的无监督深度学习方法，利用生成对抗网络（GAN）进行可再生能源情景预测。该方法通过在历史数据上训练 GAN，并优化噪声向量，生成与点预测条件相关的、逼真且具有时间相关性的场景，从而在多个预测时域内生成多样化、清晰且可靠的预测结果，其在情景质量与可靠性指标上优于传统的高斯 Copula 方法。

ABSTRACT

In this paper, we propose a novel scenario forecasts approach which can be applied to a broad range of power system operations (e.g., wind, solar, load) over various forecasts horizons and prediction intervals. This approach is model-free and data-driven, producing a set of scenarios that represent possible future behaviors based only on historical observations and point forecasts. It first applies a newly-developed unsupervised deep learning framework, the generative adversarial networks, to learn the intrinsic patterns in historical renewable generation data. Then by solving an optimization problem, we are able to quickly generate large number of realistic future scenarios. The proposed method has been applied to a wind power generation and forecasting dataset from national renewable energy laboratory. Simulation results indicate our method is able to generate scenarios that capture spatial and temporal correlations. Our code and simulation datasets are freely available online.

研究动机与目标

• 解决在不确定性下对复杂、非高斯、具有时间相关性的可再生能源发电进行建模的挑战。
• 开发一种灵活的、无需模型的情景生成框架，适用于多种预测时域和预测区间。
• 生成高质量的情景，保留时空依赖性，同时对点预测误差具有鲁棒性。
• 消除对先前情景预测方法中常见的强统计假设或物理模型的依赖。

提出的方法

• 在历史可再生能源发电数据上以无监督方式训练生成对抗网络（GAN），以学习底层数据分布。
• 生成器网络将随机噪声向量映射为模拟真实历史数据统计特性的合成时间序列样本。
• 判别器网络用于区分真实历史时间序列与生成样本，从而通过对抗训练提升生成样本的真实性。
• 训练完成后，通过求解噪声向量上的优化问题，生成与给定点预测条件一致的情景，确保与预测轨迹对齐。
• 该方法使用连续概率评分（CPRS）作为联合评估情景可靠性与清晰度的指标。
• 该方法具有可扩展性，且无需针对不同预测时域或预测区间重新训练。

实验结果

研究问题

• RQ1 无监督深度学习模型是否能够在不依赖显式概率假设的前提下，生成逼真且具有时间相关性的可再生能源发电情景？
• RQ2 与传统统计方法相比，所提出的基于 GAN 的方法在生成情景中对时空依赖性的保持程度如何？
• RQ3 该方法在不同预测时域和预测区间下，能够在多大程度上生成清晰且可靠的情景？
• RQ4 在情景质量与可靠性指标方面，该方法与成熟方法（如高斯 Copula）相比表现如何？

主要发现

• 所提方法生成的情景准确捕捉了时间相关性，表现为生成数据与真实数据的协方差矩阵高度相似。
• 在所有预测时域中，该方法在 CPRS 评分上均优于经验性高斯 Copula 方法，表明其生成情景的可靠性与清晰度更优。
• 在 12 小时预测时域下，该方法的 CPRS 评分比高斯 Copula 方法低约 12%，表明其情景质量更优。
• 即使点预测不准确，该方法仍能成功生成覆盖实际观测值的情景，尤其在较高预测区间（如 α = 3）时表现更佳。
• 该方法在不同提前时间（从 4 小时到 12 小时）均保持一致性能，展现出鲁棒性与可扩展性。
• 基于优化的生成步骤可实现快速、按需生成情景，无需重新训练，支持实时应用。