一种基于特征增强的分布式源荷资源可迁移概率区间预测方法

一种基于特征增强的分布式源荷资源可迁移概率区间预测方法，其中，门控残差网络（GRN）模型能够有效衡量外部输入与预测目标之间的非线性相关性，显著提升模型的表达能力；双层特征增强模型融合了统计学与机器学习方法，在确保特征间独立性的前提下，实现端到端的自动特征提取，从而增强数据的表达能力。此外，时序融合预测模型通过长短期记忆网络（LSTM）的编解码器对多源数据进行重新编码，并引入带掩码的自注意力机制，学习深层次的特征相关性，进而实现对多类型、多场景和多区域的分布式源荷资源的迁移预测。概率区间预测模型则综合考虑多重不确定性因素，模拟不同置信水平下的预测区间，有效量化预测的不确定性信息。