Page 62 - 2022年第53卷第8期

水 利 学 报

２０２２年 ８月 ＳＨＵＩＬＩ ＸＵＥＢＡＯ 第 ５３卷 第 ８期

文章编号：０５５９ － ９３５０（２０２２）０８ － ０９４９ － １５

风光水互补系统时间序列变量概率预报框架

３
张振东 １，２ ，罗 斌 １，２ ，覃 晖 ，唐海华 １，２ ，周 超 １，２ ，冯快乐 １，２
（１．长江勘测规划设计研究有限责任公司，湖北 武汉 ４３００１０；
２．长江水利委员会 互联网＋ 智慧水利重点实验室，湖北 武汉 ４３００１０；
３．华中科技大学 水电与土木工程学院，湖北 武汉 ４３００７４）

摘要：风光水互补系统实时调度受风速、太阳辐射强度、径流和电力负荷等时间序列变量的不确定性影响，如何
准确预报这些变量并量化预报的不确定性是风光水互补系统面临的关键难题。为此，本研究提出一种基于深度学
习模型的时间序列变量概率预报框架。首先，从时间序列数据中挖掘特征输入并采用相关系数对生成的特征进行
初选；其次，基于深度学习模型和高斯过程回归构建时间序列变量概率预报模型，同时分别通过 ０ － １规划思想和
贝叶斯优化算法实现特征组合优化和超参数优选；进而，从确定性预报、概率预报和可靠性 ３个方面对预报模型
进行全面评价；最后，以雅砻江流域风光水互补先期试点示范基地作为研究对象，分别在径流、风速、光伏和负
荷 ４个数据集上与目前 ７个不同的时间序列变量预报模型进行全面对比，验证本研究提出预报框架的精度和概率
综合性能。
关键词：风光水互补系统；概率预报；
深度学习；特征组合优化；超参数优选
中图分类号：ＴＶ２１３ 文献标识码：Ａ ｄｏｉ：１０．１３２４３?ｊ．ｃｎｋｉ．ｓｌｘｂ．２０２２０１５５

１ 研究背景

风光水互补系统出力主要受径流、风速、太阳辐射强度和负荷影响，获取这四者的高精度预测结
果对风光水互补系统的稳定安全运行具有重要作用。四者的共同点在于都是时间序列变量 ［１］ ，预报方
法有类似之处也各有不同。
时间序列变量预测方法主要分为两大类：物理过程驱动方法和数据驱动方法 ［２ － ４］ 。径流物理过程
驱动方法以水文学概念为基础，将流域的物理特征进行概化，并结合水文经验公式来近似地模拟流域
内降雨、径流的形成过程从而完成预报过程 ［５］ ，比如新安江模型 ［６］ 和水箱模型 ［７］ 等。风速物理过程驱
动方法基于温度、湿度、气压、风速等气象数据和地形数据构建数学物理方程来模拟未来一段时间某
区域或全球尺度风速变化过程，例如：数值天气预报模型 ［８］ 。光伏物理过程驱动方法主要采用数值天
气预报和卫星图片进行太阳辐射强度预测 ［９］ 。物理过程驱动方法的优势在于模型可解释性强，缺点在
于对基础数据要求高、建模复杂、求解耗时。
数据驱动方法通常根据待预测变量的历史信息以及气象相关因子采用机器学习或深度学习等统计
类方法对径流、风速、太阳辐射强度和负荷进行预测 ［１０ － １３］ 。数据驱动方法的优点是预报速度快、预测
精度较高；缺点是预报模型是黑箱模型，可解释性差，结果依赖于样本数据质量。常见数据驱动方法
可以分为时间序列模型、机器学习或深度学习模型以及多模型的混合方法。使用自回归差分滑动平均
（ ＡｕｔｏｒｅｇｒｅｓｓｉｖｅＩｎｔｅｇｒａｔｅｄＭｏｖｉｎｇＡｖｅｒａｇｅ，ＡＲＩＭＡ）等时间序列模型进行预测的前提条件是数据满足平

收稿日期：２０２２ － ０３ － ０７；网络首发日期：２０２２ － ０７ － ２１
网络首发地址：ｈｔｔｐ：??ｋｎｓ．ｃｎｋｉ．ｎｅｔ?ｋｃｍｓ?ｄｅｔａｉｌ?１１．１８８２．ＴＶ．２０２２０７２０．０９０９．００２．ｈｔｍｌ
基金项目：国家重点研发计划项目（２０２１ＹＦＣ３２００３０５）；湖北省重点研发计划项目（２０２０ＢＣＢ０７０）
作者简介：张振东（１９９４ － ），博士，工程师，主要从事水风光互补系统预报调度研究。Ｅ － ｍａｉｌ：ｚｚｄ＿ｚｚｄ＠ｈｕｓｔ．ｅｄｕ．ｃｎ
— ９ ４ ９ —