Page 71 - 2022年第53卷第8期

的结果分析与之类 似，Ｓ１光 伏 数 据 集 和 四 川 负 荷 数 据 集 通 过 特 征 初 选 之 后 的 特 征 均 为 ［Ｆ１，Ｆ２３，
Ｆ２４，Ｆ２５，Ｆ４７］。
４．２ 特征组合优化 实验中所有预报模型均完成了特征组合优化，各预报模型在 ４个数据集上的最优
特征组合如表 ４所示，结果分析如下：
（ １）在 ４个数据集上，没有一个数据集上所有模型的最优特征组合是全部一样的，说明在不计时
间成本的情况下对各个模型分别进行特征组合优化有利于提升模型性能。
（２）每个数据集上都存在对多数模型为最优的特征组合，因此在考虑时间成本的情况下，可以采
用耗时少模型的最优特征组合近似代替训练费时模型的最优特征组合，例如可以采用 ＧＰＲ、ＸＧＢ和
ＳＶＲ等模型的最优特征组合代替神经网络类模型的最优特征组合。
（ ３）对其他模型最优的特征组合，虽然不一定对本模型是最优的，但也是次优或较优的特征组合，
再次佐证了特征组合近似替代的思想。
表 ４ 各模型在 ４个数据集上的最优特征组合

特征组合 模型 Ｆ１ Ｆ２ Ｆ３ 特征组合 模型 Ｆ１ Ｆ２３ Ｆ２４ Ｆ２５ Ｆ４７
ＳＷＬＳＴＭ ＳＷＬＳＴＭ
１ １ １ １ ０
ＧＲＵ ＳＶＲ
１ １ １
ＡＮＮ ＬＳＴＭ
１ １ １ １ １
ＸＧＢ ＣＮＮ
官地径流数据集 Ｓ１ 光伏数据集
ＬＳＴＭ ＧＲＵ １ １ １ ０ ０
ＣＮＮ １ １ ０ ＡＮＮ
１ １ ０ １ ０
ＧＰＲ ＸＧＢ
ＳＶＲ １ ０ ０ ＧＰＲ １ ０ ０ ０ １
ＳＷＬＳＴＭ ＳＷＬＳＴＭ
ＬＳＴＭ ＬＳＴＭ
１ １ １ １ １
ＧＲＵ ＧＰＲ
１ １
ＣＮＮ ＸＧＢ
Ｗ１ 风速数据集 四川负荷数据集
ＡＮＮ ＧＲＵ
１ １ １ ０ ０
ＳＶＲ ＳＶＲ
ＧＰＲ ＣＮＮ
１ ０ １ １ ０ １ １
ＸＧＢ ＡＮＮ

４．３ 超参数优化结果 实验中所有预报模型均完成了超参数优化，以 ＳＷＬＳＴＭ模型为例，列出其在 ４
个数据集最优特征组合上的前三最优超参数，如表 ５所示，表格中列出的是优化后超参数的结果，模
型其他固定超参数如表 ２所示。ＳＷＬＳＴＭ模型待优化超参数分别为小批次大小、ｄｒｏｐｏｕｔ比例、隐藏层
－ ４
节点数、隐藏层数和 正 则 化 比 例，其 在 ４个 数 据 集 上 的 最 优 结 果 分 别 为 ［６４，２．７５５ × １０ ，８，２，
－ ４ － ４ － ４ － ４ － ４
１．０１７ × １０ ］、［８，３．４９５ × １０ ，３２，２，６．０８６ × １０ ］、［８，２．７７２ × １０ ，６４，１，１．８６０ × １０ ］和［３２，
－ ４
－ ４
１．５７３ × １０ ，８，２，１．８２９ × １０ ］。
ＳＷＬＳＴＭ模型前三超参数的精度都较高，原因在于一方面特征输入为最优特征组合，大幅度保障
了模型精度；另一方面超参数优化范围通过经验设置在常用范围内。在不考虑时间成本的情况下，对
预报模型进行超参数优化有利于提升模型性能；在考虑时间成本的情况下，各模型不进行超参数优化
时通常需要人工根据经验设置。ＳＷＬＳＴＭ模型超参数默认设置可参考表 ２和表 ５，能保障预报模型具
有不错的性能。
４．４ 验证结果对比 为验证本研究提出预报框架的精度和综合性能，所有模型均采用其在最优特征组
合和最优超参数下的结果进行对比。不同模型在 ４个数据集上的确定性预报和概率预报指标分别如表

— ９ ５ —
８