Wind Power Prediction Interval Based on Predictive Density Estimation Within a New Hybrid Structure
Notice bibliographique
Résumé
Wind power prediction interval (WPPI) is the most common technique to represent wind power (WP) uncertainty. This article proposes a novel WPPI approach developed based on predictive density estimation (DE). Unlike most WPPI models in the literature, the proposed model does not need to solve a high-dimensional optimization problem for model training. It optimizes the WPPIs using a single control variable—the bandwidth (BW) of DE—and trains the model directly and noniteratively using the quantiles extracted from the WP predictive density. For predictive DE, a novel application-specific method has been developed based on generalized cross-entropy (GCE). A precise but straightforward technique is designed to determine the optimal BW that results in the optimal WPPIs. The original GCE-based DE problem is also transformed into a convex quadratic programming formulation that can be solved quickly and uniquely. The WPPI model is employed in a new hybrid deterministic/probabilistic WPP (HDPWP) framework. Different from the conventional HDPWP approach that constructs WPPIs based on the point prediction error, the proposed framework incorporates WP point prediction among the predictor variables in the WPPI model, thereby improving performance. The effectiveness of the proposed methods is confirmed through extensive simulations and comparisons using real-world WP generation datasets.
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.
Comment cette classification a été obtenuedéplier
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 | 0,001 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».