Very Short-Term Wind Power Prediction Interval Framework via Bi-Level Optimization and Novel Convex Cost Function
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Substantial challenges in power systems operation and control as a result of the intermittent and stochastic nature of wind power generation can be significantly alleviated by proficient very short-term wind power prediction interval (WPPI) models. In WPPI models, minimization of cost functions is conducted to train prediction engines and consequently tune their parameters. The prevalent cost functions of prediction engines in WPPI models are mainly non-differentiable and non-convex, and therefore the training process becomes problematic. To transcend such a crucial barrier, this paper addresses a new very short-term WPPI framework based on a bi-level formulation and benefiting from a differentiable and convex cost function. The prediction engine is trained by classical global optimization of the cost function in the lower-level problem, while hyperparameters that control the quality of the WPPIs are injected thereto from the upper-level problem. The hyperparameters can be tuned such that the most useful WPPIs are constructed from the lower-level problem depending on the power system operator's preferences. Lessening the need to heuristically tune a large number of prediction engine parameters is the foremost contribution of this work to the WPPI literature. The superior performance of the proposed WPPI is verified in the multistep ahead prediction of real wind power generation data in comparison to well-tailored benchmark models.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle