面向负荷限电导致数据稀缺情形的结合保形化分位数回归的太阳能光伏预测迁移学习
Transfer Learning with Conformalized Quantile Regression for Solar PV Forecasting Under Load-Shedding-Driven Data Scarcity
精选理由
在光伏数据稀缺地区，同时提升预测精度与不确定性可靠性。
AI 摘要
arXiv:2609.26959v2 公告类型：替换 摘要：在受负荷限电影响的地区，太阳能光伏（PV）预测面临挑战，因为可靠的历史观测数据十分稀缺。本研究提出了一种结合保形化分位数回归（CQR）的迁移学习框架，以在严重数据稀缺条件下提升光伏功率预测性能并提供可靠的不确定性估计。研究使用来自澳大利亚爱丽斯泉的源域光伏数据集，对时序预测模型进行预训练，随后将其适配到模拟的孟加拉国光伏数据，以表示不同程度的历史数据可用性。实验结果表明，当目标域仅有一个月数据时，迁移学习最多可将均方根误差（RMSE）降低23.7%；当数据量为三个月时，RMSE可降低13.7%。所提出的迁移学习加 CQR 框架在拥有三个月目标域数据时实现了94.3%的经验覆盖率，同时生成的预测区间比不采用迁移学习时窄14%。这些结果表明，当目标域光伏数据严重受限时，将迁移学习与保形不确定性量化相结合，能够同时提升点预测精度和不确定性估计的可靠性。