Page 22 - 电力与能源2021年第三期

2 8 4 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

3.3 不考虑温度情况下的场景( SC1 ) 和 24h 的周期内分别减小约 29.5% , 26.5% 和
SC1 仿真结果显示, 所提方法在较小的预测 1% 。将 GBRT-B 与 DT-CWT-GBRT-B 进 行 比
周期( 1h 和 6h ) 情况下要优于基准模型, 在 24h 较发现, WBD 预处理提高了最终负荷预测的性
的预测周期下二者差距较小。对于 1h , 6h 和 能。这 进 一 步 表 明, WBDs 可 以 改 进 概 率 负 荷
24h 的预测周期, 最优方法的 PL 分别比最佳基 预测。
准值小 13.5% , 4.2% 和 0.2% ; 在 24 天的预测期
内, WPT-QRF / RF-M 的 PL 最 小, 比 最 佳 基 准
( 即 DT-CWT-QRF-B2 ) 小 1.5% 。

场 景 SC1 下 WPT-QRF / RF-M , WP-QRF-
B2 和 QRF-B2 预测方法的损益以及日前水平的

提前时间如图 2 所示。将其与基准 WPT-QRF-
B2 进行比较, 以评估不同方法处理重要和非重要

负荷分量的影响; 与 QRF-B2 比较以评 估 WBD
对预处理负荷时间序列的影响。由图 2 可知: 当

预测 周 期 长 达 12h 甚 至 超 过 19h 时, WPT-
QRF / RF-M 要优 于 WPT-QRF-B2 ; 在 日 前 水 平
上 QRF-B2 性能不及带 WBD 的方法。

图 2 场景 SC1 中 WPT-QRF / RF-M , WPT-QRF-B2
和 QRF-B2 预测方法的损益以及日前水平的提前时间
所提方法可以产生 1h 和 6h 预测周期的最
可靠预测结果, 而 GBRT-B 是24h 预测周期时最

可靠 的 方 法。 WPT-QRF / RF-M , WPT-QRF-B2
和 QRF-B2 在3 个预测周期内的可靠性如图3 所
示。 WPT-QRF / RF-M 覆 盖 率 在 较 高 水 平 上 往
往被低 估, 而 WPT-QRF-B2 和 QRF-B2 覆 盖 率
总是被高估。 DT-CWT-RF / QRF-B 在所有考虑 图 3 场景 SC1 中不同预测周期内 WPT-QRF / RF-M ,
的预测周期中是最清晰的方法, 但其可靠性较差, WPT-QRF-B2 和 QRF-B2 预测方法的可靠性
从而 PL 较大。 分析所提方法的结果和以相同方式处理负荷
WBD 预处 理可提高预测性能, 但随着预测 分量的方法( DT-CWT-QRF-B , WPT-QRF-B2 和
周期的增加, 这些优势往往会减少。比较最差的 DT-CWT-QRF-B2 ) 的结果可知, 这 3 个预测周期
方法( 即 DT-QRF / RF-M ) 和最好的没有 WBD 的 内的最佳方法都优于最佳基准。但是, 最差的方
法( 即 DWT-QRF / RF-M ) 无法在 24h 预测周期
QRF 基准( 即 QRF-B2 ), 前者的 PL 在 1h , 6h
内提供小于最佳基准的 PL 。这表明, 对重要和不