Page 69 - 2022年第53卷第8期

表 ２ 预报模型参数设置
模型 分类 符号 含义 值?超参数优化范围
输入层节点数 特征个数
ｎ ｉ
隐藏层节点数 ［２，４，８，１６，３２，６４］
ｎ ｈ
模型构建
输出层节点数 １
ｎ ｏ
隐藏层数 ［１，２，３］
Ｎ ｈ
ｄｒｏｐｏｕｔ ｄｒ ｄｒｏｐｏｕｔ比例 ［０．０００１～０．００１］
ＳＷＬＳＴＭ、 正则化 λ 正则化比例 ［０．０００１～０．００１］
ＬＳＴＭ、 η ０ 初始学习率 ０．１
ＧＲＵ、 ｒ 衰减系数 ０．９
衰减学习率
ＣＮＮ、 ｓ 衰减步长 １０
ＡＮＮ η ｍｉｎ 最小学习率 ０．０００１
Ｔ 小批次大小 ［８，１６，３２，６４］
模型训练
Ｅｐ 训练轮数 ５００
Ａｄａｍ参数 ０．９
β １
训练算法 β ２ Ａｄａｍ参数 ０．９９９
ε Ａｄａｍ参数 １０ － ８
模型构建 ｋｆ 核函数 ［′ｌｉｎｅａｒ′，′ｐｏｌｙ′，′ｒｂｆ′］
ｄｅｇｒｅｅ 核函数参数 ［３～５］
ＳＶＲ ｇａｍｍａ 核函数参数 ａｕｔｏ
ｓｋｌｅａｒｎ框架
ｃｏｅｆ０ 核函数参数 ［０～５］
Ｃ 核函数参数 ［０～５］
模型构建 ｋｆ 核函数 ［′ＲＢＦ′，′Ｍａｔｅｒｎ′，′ＲａｔｉｏｎａｌＱｕａｄｒａｔｉｃ′］
ＧＰＲ ｋｐ ０ 框架中核函数参数初始值 １
ｓｋｌｅａｒｎ框架
５
－ ５
框架中核函数参数范围 ［ １０ ，１０］
ｋｐ ｓ
最大树深度 ［１～１０］
ｄ ｍａｘ
模型构建 ｓｕｂｓａｍｐｌｅ 下采样率 ［０．７～１．０］
ｓｕｂｓａｍｐｌｅｓ 所有采样参数 ［０．７～１．０］
ＸＧＢ
正则化 λ 正则化比例 ［０．０００１～０．００１］
学习率 η 学习率 ［０．００１～０．３］
模型训练 Ｅｐ 训练轮数 ５００

４ 结果分析与讨论

４．１ 相关性分析及特征初选 综合考虑历史前期特征和周期特征，官地径流数据集和 Ｗ１风速数据集
采用历史前 ９个时段的值生成特征，Ｓ１光伏数据集和四川负荷数据集采用历史前 ４７个时段的值生成
特征。采用皮尔逊相关系数绝对值（ ＰＣＣ）和最大信息系数（ＭＩＣ）探究特征和待预测变量之间的相关
性，部分特征相关系数如表 ３所示，完整相关系数如图 ７所示，其中 Ｆ１特征表示前 １个时段的历史
值，Ｆ２特征表示前 ２个时段的历史值，以此类推。
考虑到不同数据集相关系数的差异，针对不同数据集采用不同标准进行特征初选。４个数据集相
关系数阈值分别设置为［０．９，０．６，０．８，０．８］。ＰＣＣ和 ＭＩＣ通过阈值筛选的特征不一定相同，需要考
虑取并集特征还是交集特征。综合特征组合优化搜索空间大小以及时间成本，官地径流数据集在 ＰＣＣ
和 ＭＩＣ两个指标进行特征初选时取两者交集，其余 ３个数据集取两者并集。４个数据集特征初选如图
７所示。以官地径流数据集和 Ｗ１风速数据集为例分析如下：

６
— ９ ５ —