Page 74 - 2022年第53卷第8期

４．６ 概率预报可靠性 本研究采用概率积分变换（ＰＩＴ）值是否服从均匀分布来验证概率预报的可靠
性。ＳＷＬＳＴＭ－ ＧＰＲ模型的 ＰＩＴ值图如图 １０所示，图中黑色的 ＰＩＴ值点均匀的分布在对角线附近并覆
盖了 ０到 １之间的完整区间，同时所有的 ＰＩＴ值点均位于 Ｋｏｌｍｏｇｏｒｏｖ５％置信带内，说明预测的概率密
度函数 ＰＤＦ形状没有过高过低或过宽过窄，验证了概率预报的可靠性。

图 １０ ＳＷＬＳＴＭ－ ＧＰＲ模型 ＰＩＴ图

５ 结论

本研究提出了一种风速、太阳辐射强度、径流和电力负荷等时间序列变量的概率预报框架，该框
架融合了深度学习模型、特征组合优化和超参数优化，增强了确定性预报精度和概率预报可靠性。将
预报框架运用于雅砻江流域风光水互补先期试点示范基地径流、风速、太阳辐射强度和负荷 ４个数据
集上，实验结果验证了框架的预报性能，可得出以下结论：该预报框架可组合绝大多数预报模型，一
方面可通过框架中的高斯过程回归将确定性预报结果扩展为概率预报结果；另一方面框架中特征组合
和超参数优化可为预报模型筛选出较优的特征输入和超参数。

参 考 文 献：

［ １］ ＺＨＡＮＧＹ，ＬＩＡＮＪ，ＭＡ Ｃ，ｅｔａｌ．Ｏｐｔｉｍａｌｓｉｚｉｎｇｏｆｔｈｅｇｒｉｄ － ｃｏｎｎｅｃｔｅｄｈｙｂｒｉｄｓｙｓｔｅｍ ｉｎｔｅｇｒａｔｉｎｇｈｙｄｒｏｐｏｗｅｒ，
ｐｈｏｔｏｖｏｌｔａｉｃ，ａｎｄｗｉｎｄ ｃｏｎｓｉｄｅｒｉｎｇｃａｓｃａｄｅｒｅｓｅｒｖｏｉｒｃｏｎｎｅｃｔｉｏｎ ａｎｄ ｐｈｏｔｏｖｏｌｔａｉｃ －ｗｉｎｄ ｃｏｍｐｌｅｍｅｎｔａｒｉｔｙ［Ｊ］．
ＪｏｕｒｎａｌｏｆＣｌｅａｎｅｒＰｒｏｄｕｃｔｉｏｎ，２０２０，２７４：１２３１００．
［ ２］ ＣＨＥＮＸ，ＨＵＡＮＧＪ，ＨＡＮＺ，ｅｔａｌ．Ｔｈｅｉｍｐｏｒｔａｎｃｅｏｆｓｈｏｒｔｌａｇ － ｔｉｍｅｉｎｔｈｅｒｕｎｏｆｆｆｏｒｅｃａｓｔｉｎｇｍｏｄｅｌｂａｓｅｄｏｎ
ｌｏｎｇｓｈｏｒｔ － ｔｅｒｍ ｍｅｍｏｒｙ ［Ｊ］．ＪｏｕｒｎａｌｏｆＨｙｄｒｏｌｏｇｙ，２０２０，５８９：１２５３５９．
［ ３］ ＬＩＵＨ，ＤＵＡＮＺ，ＣＨＥＮＣ．Ｗｉｎｄｓｐｅｅｄｂｉｇｄａｔａｆｏｒｅｃａｓｔｉｎｇｕｓｉｎｇｔｉｍｅ － ｖａｒｉａｎｔｍｕｌｔｉ － ｒｅｓｏｌｕｔｉｏｎｅｎｓｅｍｂｌｅｍｏｄｅｌ
ｗｉｔｈｃｌｕｓｔｅｒｉｎｇａｕｔｏ － ｅｎｃｏｄｅｒ ［Ｊ］．ＡｐｐｌｉｅｄＥｎｅｒｇｙ，２０２０，２８０：１１５９７．
［ ４］ ＡＮＴＯＮＡＮＺＡＳＪ，ＯＳＯＲＩＯＮ，ＥＳＣＯＢＡＲＲ，ｅｔａｌ．Ｒｅｖｉｅｗｏｆｐｈｏｔｏｖｏｌｔａｉｃｐｏｗｅｒｆｏｒｅｃａｓｔｉｎｇ［Ｊ］．ＳｏｌａｒＥｎｅｒｇｙ，
２０１６，１３６：７８ － １１１．
［ ５］ 张建云．中国水文预报技术发展的回顾与思考［Ｊ］．水科学进展，２０１０，２１（４）：４３５ － ４４３．
［ ６］ 江燕，刘昌明，胡铁松，等．新 安 江 模 型 参 数 优 选 的 改 进 粒 子 群 算 法 ［Ｊ］．水 利 学 报，２００７，３８（１０）：
１２００ － １２０６．
［ ７］ 李昱，席佳，张弛，等．气候变化对澜湄流域气象水文干旱时空特性的影响［Ｊ］．水科学进展，２０２１，３２
（４）：５０８ － ５１９．
［ ８］ ＺＨＡＮＧＪ，ＤＲＡＸＬＣ，ＨＯＰＳＯＮ Ｔ，ｅｔａｌ．Ｃｏｍｐａｒｉｓｏｎｏｆｎｕｍｅｒｉｃａｌｗｅａｔｈｅｒｐｒｅｄｉｃｔｉｏｎｂａｓｅｄｄｅｔｅｒｍｉｎｉｓｔｉｃａｎｄ
ｐｒｏｂａｂｉｌｉｓｔｉｃｗｉｎｄｒｅｓｏｕｒｃｅａｓｓｅｓｓｍｅｎｔｍｅｔｈｏｄｓ ［Ｊ］．ＡｐｐｌｉｅｄＥｎｅｒｇｙ，２０１５，１５６：５２８ － ５４１．
［ ９］ 朱想，居蓉蓉，程序，等．组合数值天气预报与地基云图的光伏超短期功率预测模型［Ｊ］．电力系统自动
化，２０１５，３９（６）：４ － １０．
［１０］ ＣＨＡＮＧＦ，ＴＳＡＩＭ．Ａｎｏｎｌｉｎｅａｒｓｐａｔｉｏ － ｔｅｍｐｏｒａｌｌｕｍｐｉｎｇｏｆｒａｄａｒｒａｉｎｆａｌｌｆｏｒｍｏｄｅｌｉｎｇｍｕｌｔｉ － ｓｔｅｐ － ａｈｅａｄｉｎｆｌｏｗ
ｆｏｒｅｃａｓｔｓｂｙｄａｔａ － ｄｒｉｖｅｎｔｅｃｈｎｉｑｕｅｓ［Ｊ］．ＪｏｕｒｎａｌｏｆＨｙｄｒｏｌｏｇｙ，２０１６，５３５：２５６ － ２６９．

— ９ ６ １ —