[1] |
王彦棡, 王珏, 曹荣强. 人工智能计算与数据服务平台的研究与应用[J]. 数据与计算发展前沿, 2019, 1(06):86-97.
|
[2] |
丁学辉, 许海林, 罗颖婷, 等. 基于CNN特征选择与QRGRU的电力负荷概率密度预测方法[J]. 电力信息与通信技术, 2021, 19(06):32-38.
|
[3] |
杨秀, 陈斌超, 朱兰, 等. 基于相关性分析和长短期记忆网络分位数回归的短期公共楼宇负荷概率密度预测[J]. 电网技术, 2019, 43(09):3061-3071.
|
[4] |
万灿, 崔文康, 宋永华. 新能源电力系统概率预测: 基本概念与数学原理[J]. 中国电机工程学报, 2021, 41(19):6493-6509.
|
[5] |
HE Hui, LU Nan-yan, JIE Yong-jun, et al. Probabilistic solar irradiance forecasting via a deep learning-based hybrid approach[J]. IEEJ Transactions on Electrical and Electronic Engineering, 2020, 15(11): 1604-1612.
doi: 10.1002/tee.v15.11
|
[6] |
Van der Meer D W, Widén J, Munkhammar J. Review on probabilistic forecasting of photovoltaic power produc-tion and electricity consumption[J]. Renewable and Sus-tainable Energy Reviews, 2018, 81: 1484-1512.
|
[7] |
Koenker R. Quantile Regression[J]. Journal of Economic Perspectives, 2015, 15(4):143-156.
doi: 10.1257/jep.15.4.143
|
[8] |
颜伟, 任洲洋, 赵霞, 等. 光伏电源输出功率的非参数核密度估计模型[J]. 电力系统自动化, 2013, 37(10):35-40.
|
[9] |
何耀耀, 刘瑞, 撖奥洋. 基于实时电价与支持向量分位数回归的短期电力负荷概率密度预测方法[J]. 中国电机工程学报, 2017, 37(03):768-776.
|
[10] |
庞昊, 高金峰, 杜耀恒. 基于时间卷积网络分位数回归的短期负荷概率密度预测方法[J]. 电网技术, 2020, 44(04):1343-1350.
|
[11] |
KE Guo-lin, MENG Qi, FINLEY Thomas, et al. Ligh-tGBM: A highly efficient gradient boosting decision tree[C]. Advances in Neural Information Processing Systems, 2017, 30: 3146-3154.
|
[12] |
FRIEDMAN J H. Greedy function approximation: a gra-dient boosting machine[J]. Annals of Statistics, 2001, 29(5): 1189-1232.
doi: 10.1214/aos/1013203450
|
[13] |
FREUND Y, SCHAPIRE R E. A decision-theoretic gen-eralization of on-line learning and an application to boo-sting[J]. Journal of Computer and System Sciences, 1997, 55(1): 119-139.
doi: 10.1006/jcss.1997.1504
|
[14] |
薛钦元, 陆俊, 李博文. 基于改进极限学习机的用户异常用电辨识方法[J]. 电力信息与通信技术, 2020, 18(11):22-29.
|
[15] |
蔡舒平, 闫静, 刘国海, 等. 基于Fisher信息和在线SVR的智能电网气象敏感负荷预测动态建模技术[J]. 中国电机工程学报, 2020, 40 (11):3441-3452.
|