Page 24 - 电力与能源2021年第三期
P. 24

2 8 6                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 ]  李彬,彭曙蓉,彭君哲,等 . 基于深度学习分位数回归模
                                                                    型的 风 电 功 率 概 率 密 度 预 测 [ J ] . 电 力 自 动 化 设 备,
                                                                    2018 , 38 ( 9 ): 15-20.
                                                               [ 3 ]  丁巧林,潘学华,杨薛明 . 最优组合预测方法在电力负荷
                                                                    预测中的应用[ J ] . 电网技术, 2008 ( 增刊 1 ): 127-130.
                                                               [ 4 ]  孙国强,梁智,俞娜燕,等 .基于 EWT 和分位数回归森
                                                                    林的短期风电功率概率密度预测[ J ] .电力自动化设备,
                                                                    2018 , 38 ( 8 ): 158-165.
                                                               [ 5 ]  杨修德,王金梅,张丽娜 .XGBoost在超短期负荷预测中
                                                                    的应用[ J ] . 电气传动自动化, 2017 , 39 ( 4 ): 21-25.
                                                               [ 6 ]  HONGT , PINSONP , FANS , etal.Probabilisticener-
                                                                    gyforecastin g : GlobalEner gy Forecastin g Com p etition
                                                                    2014andbe y ond [ J ] .InternationalJournalofForecas-
                  图 4  场景 SC2 中 WPT-QRF / RF-M , WPT-QRF-B2
                                                                   tin g , 2016 , 32 ( 3 ): 896-913.
                   和 QRF-B2 预测方法的损益与日前预测周期的关系
                                                               [ 7 ]  郑若楠 . 基于小波分解的超短期风速混合模型组合预测
              也会提高 其 准 确 性, 在 基 于 温 度 的 场 景 中 还 会                   [ J ] . 分布式能源, 2018 , 3 ( 6 ): 38-46.
              进一步 提 高 性 能。与 场 景 SC1 相 反, 最 佳 方 法               [ 8 ]  LIS , WANGP , GOELL.Anovelwavelet-basedensem-
              并不总是优于以相同方式处 理负荷分量的基准                                 blemethodforshort-termloadforecastin g withh y brid
                                                                    neuralnetworksandfeatureselection [ J ] .IEEETransac-
              ( 即 DT-CWT-QRF-B , WPT-QRF-B2 和 DT-
                                                                   tionsonPowerS y stems , 2016 , 31 ( 3 ): 1788-1798.
              CWT-QRF-B2 )。特别是, 在 24h 预 测 周 期 内,               [ 9 ]  徐军华,刘天琪 .基于小波分解和人工神经网络的短期
              这些基准的表现要优于所提方法。对重要和不                                  负荷预测[ J ] . 电网技术, 2004 ( 8 ): 35-38.
              重要负荷 分 量 进 行 多 样 化 处 理, 可 最 大 限 度 地              [ 10 ] ALHAKEEM D , MANDALP , HAQUE A U , etal , A
              缩短预测 周 期, 但 预 测 性 能 会 随 周 期 的 增 加 而                   newstrate gy toq uantif yuncertaintiesofwavelet-GRNN-
              下降。                                                   PSObasedsolarPVforecastsusin gbootstra pconfidence
                                                                   intervals [ C ]// p roc.ofIEEE PES Gen. [ s.l. ]:[ s.
              4  结语                                                 n. ] .2015.
                                                               [ 11 ] ALFIERIL , BRACALE A , CARPINELLIG , etal.A
                   本文评估了 WBDs在 PLF 中的应用, 提出了                        wavelet-modifiedESPRITh y brid methodforassessment
              一种基于 WBDs 的协同预测系统。该系统将重                               ofs p ectralcom p onentsfrom0to150kHz [ J ] .Ener g ies ,
              要负荷分量和非重要负荷分量进行分离, 分别通                                2017 , 10 ( 1 ): 231-236.
                                                               [ 12 ] ASTUJ , PINSON P , TROMBEP , etal.Probabilistic
              过 QRFs和 RF 进行预测, 并将所提方法与采用
                                                                   forecastsofwindp owerg enerationaccountin gforg eo-
              不同模型处理负荷分量的系统、 WBD 为预处理
                                                                    g ra p hicall ydis p ersedinformation [ J ] .IEEE Transcations
              负荷时间序列的系统 以及其他相关基准进行比                                 onSmartGrid , 2014 , 5 ( 1 ): 480-489.
              较。最后, 根据 GEFCOM2014 年提供的实际数                      [ 13 ] RACALE A , FALCO PE , ARPINELLIG.Com p arin g
              据, 通过数值仿真分析验证了所提方法的有效性。                               univariateand multivariate methodsforp robabilisticin-
              所提方法最大的改进是可在最短的预测周期内获                                 dustrialloadforecastin g [ C ]// p roc.of5thIntS y m pEnv.
                                                                   -Friendl yEner g iesandA pp l. ( EFEA ) .Rome , Ital y :[ s.
              得, 其中负荷时间序列的 WBD 提升了预测性能,
                                                                    n. ], 2018.
              在1h 的预测周期内, PL 减少了29.5% 。在未来                     [ 14 ] RACALEA , ARPINELLIG , FALCOPD , etal.Short-
              一天的预 测 水 平 上, WPT-QRF / RF-M 和 SWT-                   termindustrialloadforecastin g : acasestud y inanitalian
                                                                   factor y [ C ]// 2017 IEEE PES Innovative Smart Grid
              QRF / RF-M 的预测结果略好于其他方法, 但 PL
              减少不到 2% 。下一步将进一步研究 WBD 与其                             Technolo g iesConferenceEuro p e ( ISGT Euro p e ) .Tori-
                                                                    no :[ s.n. ], 2017.
              他概率模型的集成, 以及基于 WBD 的新 PLF 系
                                                                                          收稿日期: 2021-02-22
              统的开发等。                                                                       ( 本文编辑: 赵艳粉)
              参考文献:
              [ 1 ]  HONGT , FANS.Probabilisticelectricloadforecastin g :
                    Atutorialreview [ J ] .InternationalJournalofForecas-
                   tin g , 2016 , 32 ( 3 ): 914-938.
   19   20   21   22   23   24   25   26   27   28   29