[论文解读] Smooth Pinball Neural Network for Probabilistic Forecasting of Wind Power

Kostas Hatalis, Alberto J. Lamadrid+2 more|arXiv (Cornell University)|Oct 4, 2017

Energy Load and Power Forecasting参考文献 34被引用 23

一句话总结

本文提出了一种平滑弹球神经网络（SPNN），通过结合弹球损失的平滑近似与一种新型权重初始化方案，实现非参数化概率风力发电预测，有效防止分位数交叉。该方法在GEFCOM2014数据集的全部10个区域中，于分位数评分、预测区间精度和可靠性方面均优于基准方法（如多分位数回归和支撑向量分位数回归），同时消除了分位数估计的重叠问题。

ABSTRACT

Uncertainty analysis in the form of probabilistic forecasting can significantly improve decision making processes in the smart power grid for better integrating renewable energy sources such as wind. Whereas point forecasting provides a single expected value, probabilistic forecasts provide more information in the form of quantiles, prediction intervals, or full predictive densities. This paper analyzes the effectiveness of a novel approach for nonparametric probabilistic forecasting of wind power that combines a smooth approximation of the pinball loss function with a neural network architecture and a weighting initialization scheme to prevent the quantile cross over problem. A numerical case study is conducted using publicly available wind data from the Global Energy Forecasting Competition 2014. Multiple quantiles are estimated to form 10%, to 90% prediction intervals which are evaluated using a quantile score and reliability measures. Benchmark models such as the persistence and climatology distributions, multiple quantile regression, and support vector quantile regression are used for comparison where results demonstrate the proposed approach leads to improved performance while preventing the problem of overlapping quantile estimates.

研究动机与目标

• 为解决概率风力发电预测中分位数估计重叠的问题，该问题会损害预测的可靠性与可解释性。
• 通过使用平滑弹球损失函数训练的神经网络，提升非参数化概率预测的准确性与鲁棒性。
• 提出一种权重初始化方案，通过基于均匀分布近似的风力发电平方误差来初始化权重，确保分位数预测不发生交叉。
• 基于GEFCOM2014竞赛的真实风力数据，将SPNN模型与基准方法进行对比评估。
• 证明SPNN能够生成更尖锐、更可靠的预测区间，且分位数评分低于现有方法。

提出的方法

• SPNN采用弹球损失函数的平滑近似，实现单个神经网络中多个分位数输出的可微训练。
• 提出一种新型权重初始化方案，将初始权重设置为近似风力发电在均匀分布下的平方误差，从而在训练过程中防止分位数交叉。
• 模型在历史风力发电数据与数值天气预报（NWP）数据上进行端到端训练，同时预测多个分位数。
• 通过训练单一网络在一次前向传播中输出所有分位数，实现10%、20%、...、90%的预测区间估计。
• 采用分位数评分（QS）、区间评分（IS）和覆盖准确率（ACE）评估性能，以综合衡量预测的准确性与可靠性。
• 将SPNN与基准方法（包括持续性模型、气候学模型、多分位数回归（MQR）和支撑向量分位数回归（SVQR））进行比较。

实验结果

研究问题

• RQ1 平滑近似的弹球损失函数是否能提升多分位数风力发电预测中神经网络的训练稳定性和性能？
• RQ2 所提出的权重初始化方案是否能有效防止多输出神经网络中的分位数交叉？
• RQ3 SPNN模型在分位数评分、预测区间精度和可靠性方面与现有基准方法相比表现如何？
• RQ4 SPNN是否能在不显式建模完整条件分布的情况下，生成高质量的预测密度？
• RQ5 SPNN在不同风电场位置与预测时序下，能否保持良好的覆盖性与精度？

主要发现

• SPNN-w（采用权重初始化）在GEFCOM2014数据集全部10个区域中均取得最低的分位数评分，显著优于MQR与SVQR。
• 与SPNN-wo相比，SPNN-w将分位数交叉数量减少了近两个数量级，平均每区域交叉次数少于100次。
• SPNN-w在所有区域中均取得最低的区间评分（IS），表明其预测区间最为尖锐与精确。
• SPNN-w在大多数区域中取得最低或第二低的ACE（覆盖准确率），证明其在覆盖实际观测值方面具有高度可靠性。
• 该模型在所有月份与区域中均保持了适当的预测区间覆盖，预设的PI水平始终得到满足。
• SPNN通过最优分位数估计间接生成了高质量的预测密度，即使未直接优化区间覆盖范围或宽度。