基于分位数回归最简门结构记忆网络和核密度估计的概率预报方法（QRMGM-KDE）

  风能是一种清洁、经济的可再生能源。风速是风力发电最具影响力的因素。高精度并且可靠的风速预测在风电的规划、调度运行和决策管理等各个方面发挥重要作用，对风能资源的合理利用具有重大意义。本研究提出一种基于分位数回归最简门结构记忆网络（QRMGM）和核密度估计（KDE）的概率预报方法用于预测风速和量化预报不确定性。

本文主要有以下亮点：

(1) 提出了最简门结构记忆网络（MGM），它是LSTM的一个变种，能在减少其训练时间的同时不显著降低预报精度；

(2) 总结了任意点预测模型结合分位数回归转换为概率预报模型的框架；

本研究原文链接：https://doi.org/10.1016/j.enconman.2019.06.024

本研究代码链接：https://github.com/zzdzzdzzdzzd/QRMGM_KDE

如果您觉得本研究的方法、论文或者代码能帮助到您，请在使用时引用它们。

[1] Z. Zhang, H. Qin, Y. Liu, L. Yao, X. Yu, J. Lu, Z. Jiang, Z. Feng. Wind speed forecasting based on Quantile Regression Minimal Gated Memory Network and Kernel Density Estimation. Energy Conversion and Management, 2019, 196:1395-1409. DOI: 10.1016/j.enconman.2019.06.024