仅1个月数据，光伏预测误差直降23.7%！
Transfer Learning with Conformalized Quantile Regression for Solar PV Forecasting Under Load-Shedding-Driven Data Scarcity
📖 AI 总结
该研究针对因拉闸限电导致历史观测数据稀缺的地区，提出将迁移学习与保形分位数回归（CQR）相结合的太阳能光伏功率预测框架。方法上，先利用澳大利亚爱丽丝泉的源域光伏数据预训练时序预测模型，再迁移适配到模拟的孟加拉国光伏数据，以模拟不同程度的历史数据可用性。实验显示，仅有一个月目标域数据时，迁移学习将RMSE降低最多23.7%，三个月数据时降低13.7%；迁移学习加CQR框架在三个月目标数据下达到94.3%的经验覆盖率，且预测区间比无迁移学习时窄14%。结果表明，迁移学习与保形不确定性量化结合，能在目标域数据严重受限时同时提升点预测精度和不确定性估计的可靠性，为数据稀缺场景下的光伏预测提供了可行思路。
🔑 关键词速览
| 迁移学习 | 一种机器学习方法，将源域学到的知识迁移到目标域，以缓解目标域数据稀缺问题。 |
| 共形分位数回归 (CQR) | 一种结合分位数回归与共形预测的不确定性量化方法，能生成具有统计覆盖保证的预测区间。 |
| 光伏 (PV) 预测 | 对太阳能光伏发电功率进行预测，用于电网调度和能源管理。 |
| 拉闸限电 | 电力供应不足时人为切断部分用户供电的措施，会导致历史观测数据缺失或不连续。 |
| 经验覆盖率 | 预测区间实际包含真实值的比例，用于评估不确定性估计的可靠性。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅