Page 19 - 电力与能源2021年第三期

黄星知, 等: 基于小波分解技术和随机森林算法的负荷概率预测 2 1
8
测。文献[ 8 ] 提出了一种新的集成方法, 该方法中 SWT 和 DT-CWT 则保 证了分解对沿时间 序 列
母小波和分解层次是不同的, 通过偏最小二乘回 移动的不变性。步骤 1 的输入是负荷时间序列
归将各个结果聚合起来形成集成预测。文献[ 9 ] P , 输出是 N 个负荷分量P ( 1 ) ,…, P ( N ) 。
将负荷时间序列通过小波分解成 3 个分量, 并对 步骤 2 : N 个负荷分量被标记为J 个重要负
每个分量应用 3 个 ANNs , 为了重建最终的负荷 荷分量 P ( s ) ( s )
J 和 K 个 非 重 要 负 荷 分 量
1 ,…, P
K , 其中 N=J+K 。重要负荷分量
预测, 只提出了一种估计预测总体方差的方法。 P ( ns ) ( ns )
1 ,…, P
文献[ 10 ] 将确定性 ANNs应用于负荷分量, 使用 满足: ① 包含负荷时间序列分析中与典型季节性
Bootstra pp in g 添加有关预测不确定性的信息。 对应的频率; ② 能量含量高于原始负荷时间序列
这些文献研究主要存在以下不足: ① 使用的 能量含量的阈值百分比。
是人工神经网络, 因此没有其他模型与用于 PLF
的 WBDs相结合; ② 使用离散小波变换( Discrete
WaveletTransform , 简称 DWT ) 来分解负荷时间
序列; ③ 通过 Bootstra pp in g 或评估点预测的方差
来建立概率预测; ④ 概率预测是根据可靠性或清
晰度进行评估的, 但没有适当的分数用于全面量
化概率预测的性能 [ 11-12 ] 。
对于问题 ④ , 本文采用一个严格恰当的分数
来综合评价负荷概率预测的准确性, 并使用特定
的图表和指标分别评估概率预测的可靠性和清晰
度。本文提出一种新的协同预测系统, 以解决问
题 ①~③ 。该系统采用 QRFs进行重要负荷分量
的概率预测, 用 RF 进行非重要负荷分量之和的
确定性概率预测。每个模型返回预测样本组合以
构建最终的负荷预测, 避免分位数交叉。
本文 使用 2014 年 全球能源预测竞 赛 ( 2014
Global Ener gy Forecastin g Com p etition ,简 称
[ 6 ]
GEFCOM2014 ) 公 布 的 实 际 负 荷 数 据 进 行 仿
真分析, 并考虑几个概率基准, 以便对所提方法的
有效性进行全面评估。
1 概率预测系统 图 1 协同预测系统程序示意图
步骤 3 : 利用外部预测因子生成目标时间范
本文提出的协同预测系统包括 4 个步骤, 如
围内的负荷分量预测。分别将 J 个概率模型( 即
图 1 所示。 ( s ) ( s )
)
J QRFs 应用于重要负荷分量 P 1 ,…, P J , 再将
步骤 1 : 在原始负荷时间序列的 WBD 中, 分
一个确定的模型( 如 RF ) 应用于总的非重要负荷
离与典型负荷季节性( 如每日或每周季节性) 相关
分量 P ( ns ) ( 即 K 个非重要负荷分量之和), P ( ns ) =
的特定频率对应的负荷分量。 WBD 可以捕捉到
K
1 ( ns )
K 。采用不同模型处理有助于提高最终
负荷时间序列的季节性, 从而分别处理不同的光 ∑P
K K=1
谱内容。本文比较了 4 种不同的 WBDs ( DWT , 负荷预测的效果: 与负荷特定季节性相对应的重
WPT , SWT 和 DT-CWT ), 它们以不同的方式分 要分量更容易通过在模型预测中添加季节性特征
割原始 时 间 序 列 的 光 谱 内 容。 具 体 而 言, 选 择 来建模, 并且通过确定性模型处理的非重要负荷
DWT 作为基准小波分解, 其他 3 个分解克服了 分量不增加最终负荷预测的随机不确定性。步骤
DWT 的 一 些 主 要 缺 点, 提 高 了 预 处 理 的 性 能。 3 的 输 出 是 J 个 重 要 负 荷 分 量 的 预 测 分 位 数
WPT 对沿整个光谱内容的频率进行均匀分解,