Page 67 - 2022年第53卷第8期

式中：预测值 ｙ的概率密度函数和累计分布函数分别为 ｐ（ｙ）和 Ｆ（ｙ）；Ｈ（ｙ－ Ｙ）为赫维赛德函数。
ｉ ｉ ｉ ｉ ｉ
ＣＲＰＳ越小，概率预报综合性能越好。
（ ３）可靠 性 评 价 指 标。可 靠 性 是 指 预 测 值 和 观 测 值 统 计 的 一 致 性。本 研 究 采 用 概 率 积 分 变 换
（ ＰｒｏｂａｂｉｌｉｔｙＩｎｔｅｇｒａｌＴｒａｎｓｆｏｒｍ，ＰＩＴ）评价预报可靠性。如果验证集上 ＰＩＴ值服从 ０到 １之间的均匀分
布，则概率预测结果是可靠的。ＰＩＴ值通过累计分布函数和观测值计算：
Ｙ ｉ
ｉ ∫
ＰＩＴ ＝ Ｆ（Ｙ） ＝ ｐ（ｘ）ｄｘ （１７）
－ ∞
２．５ 时间序列变量概率预报框架 风光水互补系统时间序列变量概率预报框架如图 ５所示，框架中主
要包括特征、超参数、预报模型和评价指标 ４个模块，总体流程如下：（１）特征生成：从时间序列数
据中挖掘历史前期特征、周期特征和物理特征，当特征数量较少时，可采用平方、对数等操作对特征
进行变换以生成更多特征；（２）特征初选：特征组合优化搜索空间随特征数量呈指数级增长，采用相
关系数对生成的特征进行初选，以减少特征组合优化搜索的空间；（３）特征组合：以经过特征初选之
后的特征作为备选特征，将特征组合优化问题视作 ０ － １规划问题，采用穷举法、随机搜索或启发式算
法求解得到最优特征组合；特征组合优化过程中对每一套特征组合而言，需同时完成超参数优化和模
型训练，并采用预测指标对该特征组合进行评价；（ ４）超参数优化：一套特征组合确定后，采用贝叶
斯优化算法对模型超参数进行优选；超参数优化过程中对每一套超参数而言，需完成模型训练并采用
预测指标对该组超参数进行评价；（ ５）预报模型：在最优特征组合和最优超参数下构建 ＳＷＬＳＴＭ－ ＧＰＲ
概率预报模型，完成模型训练和预报；特征组合中嵌套超参数优化，超参数优化中嵌套模型训练，三
者是同时完成的；（ ６）评价指标：无论是特征组合，还是超参数优化，亦或是模型训练，都需要采用
确定性或概率预报指标进行评价。

图 ５ 时间序列变量概率预报框架

３ 案例研究

３．１ 研究对象 采用雅砻江流域风光水互补先期试点示范基地作为研究对象。示范基地位于四川省盐源
县，青藏高原东南缘，雅砻江中下游西岸，川、滇两省交界处。盐源县经纬度介于北纬 ２７°０６′—２８°１６′、
２
东经 １００°４２′—１０２°０３′之间，全县幅员面积 ８３９８．６ｋｍ 。幅员内地形地貌以山高、坡陡、谷深、盆地
居中为总特征。海拔集中在 ２５００～３０００ｍ之间，最高海拔 ４３９３ｍ，最低海拔 １２００ｍ。盐源县风资源

４
— ９ ５ —