- 博客(5)
- 收藏
- 关注
RSS订阅原创 使用TimeGAN实现场景生产并可视化
当前，TimeGAN已被广泛地应用于复杂时间序列模拟，相较于传统GAN模型和第三代神经网络算法，TimeGAN在训练收敛速度和模拟精度上具有显著优势。TimeGAN是一种黑箱模型，与传统的方法不同，无需事先对数据的分布做任何假设，仅需将大量历史负荷过程输入模型，TimeGAN会对历史情景进行学习和训练后，自动合成新的情景过程。而在情景生成期间，TimeGAN还会主动调整自身的结构和参数，以最大程度地模拟复杂因素变化对于数据的影响。并进行了t-SNE和PCA可视化分析，同时绘制了概率密度对比图。
2024-07-10 21:49:56
207
原创 利用分位数映射法（Quantile Mapping，QM）对数据进行偏差修正
利用分位数映射法（Quantile Mapping，QM）对数据进行偏差修正
2024-06-07 16:14:46
248
原创 基于Vine-Copula耦合蒙特卡罗模拟的多能源出力场景生成
对于风、光、水能源出力的不确定性描述，可以利用概率分布耦合机器学习方法的场景生成技术来进行处理。若直接对单个电厂采用基于随机优化或抽样的方法进行场景生成，则仅考虑了电厂自身的时间相关性，而忽略了区域中多个风、光、水发电厂在空间上具有的相关性，使得生成场景失真，进而影响对出力场景不确定性的准确描述。故而，为更加准确地生成能源出力场景，可先利用Copula函数将多个发电厂的出力概率分布函数进行联合后再采用基于随机优化或抽样的方法进行场景生成，这样使得生成的场景更加真实、可信。
2023-10-07 21:17:46
613
3
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人