Page 72 - 2022年第53卷第8期
P. 72
６和表 ７所示。从表格中可以分析得出：ＳＷＬＳＴＭ 模型在 ４个数据集上的确定性预报指标和概率预报
指标是 ８个对比模型中最优的，说明 ＳＷＬＳＴＭ在 ４个数据集上的确定性预报精度最高、概率预报综合
性能是最好的，验证了本研究提出预报框架在时间序列变量预报上的优势。
表 ５ ＳＷＬＳＴＭ模型在 ４个数据集最优特征组合上的前三最优超参数
数据集 Ｒ ２ 小批次大小 Ｔ ｄｒｏｐｏｕｔ比例 ｄｒ 隐藏层节点数 ｎ ｈ 隐藏层数 Ｎ ｈ 正则化比例 λ
０．９３８ ６４ ２．７５５ × １０ － ４ ８ ２ １．０１７ × １０ － ４
官地径流
０．９３６ １６ ４．９３９ × １０ － ４ ６４ １ ２．４２３ × １０ － ４
数据集
０．９１５ ３２ １．５０１ × １０ － ４ １６ ３ １．９６７ × １０ － ４
０．９１１ ８ ３．４９５ × １０ － ４ ３２ ２ ６．０８６ × １０ － ４
Ｗ１风速
０．９１０ ８ ７．５２０ × １０ － ４ ３２ ３ １．７３７ × １０ － ４
数据集
０．９０９ ３２ １．９１２ × １０ － ４ ３２ ３ ２．４９５ × １０ － ４
０．９７０ ８ ２．７７２ × １０ － ４ ６４ １ １．８６０ × １０ － ４
Ｓ１光伏
０．９６９ １６ １．３９３ × １０ － ４ ６４ １ １．４２７ × １０ － ４
数据集
０．９６７ ８ １．１９９ × １０ － ４ ３２ ２ ８．４８１ × １０ － ４
０．９３３ ３２ １．５７３ × １０ － ４ ８ ２ １．８２９ × １０ － ４
四川负荷
０．９２８ ８ １．９６９ × １０ － ４ １６ ３ ３．５２４ × １０ － ４
数据集
０．９２７ ３２ １．３９９ × １０ － ４ ３２ ２ ２．４２８ × １０ － ４
表 ６ 不同模型在 ４个数据集上的确定性预报指标
指标 官地径流数据集 Ｗ１风速数据集 Ｓ１光伏数据集 四川负荷数据集
２
３
模型 Ｒ ２ ＲＭＳＥ?（ｍ ?ｓ） Ｒ ２ ＲＭＳＥ?（ｍ?ｓ） Ｒ ２ ＲＭＳＥ?（Ｗ?ｍ ） Ｒ ２ ＲＭＳＥ?ＭＷ
ＳＷＬＳＴＭ ０．９３８ ２５２．４０９ ０．９１１ ０．６２５ ０．９７０ ４１．７０４ ０．９３３ ４６１．０５０
ＬＳＴＭ ０．９３２ ２６３．１４０ ０．９０８ ０．６３７ ０．９４７ ５５．９４５ ０．９２５ ４８７．５３１
ＧＲＵ ０．９３６ ２５６．２０１ ０．９０５ ０．６４６ ０．９６９ ４２．９０６ ０．９２４ ４９１．２８２
ＣＮＮ ０．９１８ ２８９．７３６ ０．８９４ ０．６８２ ０．９６７ ４３．６９２ ０．９３２ ４６２．４２２
ＡＮＮ ０．９１８ ２９０．５１４ ０．９０６ ０．６４４ ０．９７０ ４１．９７２ ０．９２７ ４７９．４３３
ＳＶＲ ０．８３３ ４１４．０１８ ０．８９７ ０．６７５ ０．９６９ ４２．７１８ ０．９３３ ４６２．０６５
ＧＰＲ ０．９０９ ３０４．４００ ０．７２４ １．１０２ ０．９５２ ５３．１００ ０．９００ ５６３．７８１
ＸＧＢ ０．８８８ ３３８．１０５ ０．８２４ ０．８８０ ０．９５２ ５３．２４９ ０．９３２ ４６３．５９６
４．５ 验证结果展示 ＳＷＬＳＴＭ－ ＧＰＲ预报模型在 ４个数据集上的验证结果如图 ８所示，图中蓝色的预
测值曲线紧贴红色的真实值曲线，说明确定性预测精度较高；红色的真实值曲线绝大部分均位于灰色
的 ９０％预测区间内，对于验证集中未出现在灰色区间中的样本点采用绿色点标出，同时灰色预测区间
宽度没有过大，说明预测的区间整体较合适，能为预报、调度决策人员提供较准确的参考信息。本研
究提出的预测框架为单步预测框架，图 ８中验证结果呈现出 “序列” 的感觉是因为验证集本身有多个
时序样本而不是完成的多步预测。
ＳＷＬＳＴＭ－ ＧＰＲ模型在 ４个数据集上典型时段的概率验证结果如图 ９所示，图中蓝色的概率密度函
数（ＰＤＦ）线都比较饱满，曲线形状没有过高过低、也没有过宽过窄，说明 ＳＷＬＳＴＭ－ ＧＰＲ获取的 ＰＤＦ
比较合适。图中有些时段的真实值靠近 ＰＤＦ均值线，有些则离均值线较远，正好说明概率预报结果是
可靠的。如果真实值都远离均值线或都位于均值线上，则概率预报结果是不可信的。
— ９ ５ ９ —
