Page 74 - 2022年第53卷第12期

４６（３）：１０９９ － １１０８．
［２１］ ＬＩＪ，ＳＯＮＧＳＳ，ＫＡＮＧＹ，ｅｔａｌ．Ｐｒｅｄｉｃｔｉｏｎｏｆｕｒｂａｎｄｏｍｅｓｔｉｃｗａｔｅｒｃｏｎｓｕｍｐｔｉｏｎｃｏｎｓｉｄｅｒｉｎｇｕｎｃｅｒｔａｉｎｔｙ［Ｊ］．
ＪｏｕｒｎａｌｏｆＷａｔｅｒＲｅｓｏｕｒｃｅｓＰｌａｎｎｉｎｇａｎｄＭａｎａｇｅｍｅｎｔ，２０２１，１４７（３）：０５０２００２８．
［２２］ ＧＵＯＴＬ，ＳＯＮＧＳＳ，ＭＡＷ Ｊ．Ｐｏｉｎｔａｎｄｉｎｔｅｒｖａｌｆｏｒｅｃａｓｔｉｎｇｏｆｇｒｏｕｎｄｗａｔｅｒｄｅｐｔｈｕｓｉｎｇｎｏｎｌｉｎｅａｒｍｏｄｅｌｓ［Ｊ］．
ＷａｔｅｒＲｅｓｏｕｒｃｅｓＲｅｓｅａｒｃｈ ，２０２１，５７（１２）：ｅ２０２１ＷＲ０３０２０９．
［２３］ 王晓东，鞠邦国，刘颖明，等．基于 ＱＲ － ＮＦＧＬＳＴＭ与核密度估计的风电功率概率预测［Ｊ］．太阳能学报，
２０２２，４３（２）：４７９ － ４８５．
［２４］ ＤＲＡＧＯＭＩＲＥＴＳＫＩＹＫ，ＺＯＳＳＯＤ．Ｖａｒｉａｔｉｏｎａｌｍｏｄｅｄｅｃｏｍｐｏｓｉｔｉｏｎ［Ｊ］．ＩＥＥＥＴｒａｎｓａｃｔｉｏｎｓｏｎＳｉｇｎａｌＰｒｏｃｅｓｓｉｎｇ，
２０１４，６２（３）：５３１ － ５４４．
［２５］ 王若恒．基于 ＬＳＴＭ的风电功率区间预测研究［Ｄ］．武汉：华中科技大学，２０１８．

Ａｎｅｗｓｔｅｐｗｉｓｅｄｅｃｏｍｐｏｓｉｔｉｏｎｅｎｓｅｍｂｌｅｍｏｄｅｌｂａｓｅｄｏｎｔｗｏ － ｓｔａｇｅｐａｒｔｉｃｌｅ
ｓｗａｒｍ ｏｐｔｉｍｉｚａｔｉｏｎａｌｇｏｒｉｔｈｍ ｆｏｒｔｈｅｒｕｎｏｆｆｐｒｅｄｉｃｔｉｏｎ

１，２
１，２
１，２
１，２
ＧＵＯＴｉａｎｌｉ ，ＳＯＮＧＳｏｎｇｂａｉ ，ＺＨＡＮＧＴｅ ，ＷＡＮＧＨｕｉｍｉｎ
（１．ＣｏｌｌｅｇｅｏｆＷａｔｅｒＲｅｓｏｕｒｃｅｓａｎｄＡｒｃｈｉｔｅｃｔｕｒａｌＥｎｇｉｎｅｅｒｉｎｇ，ＮｏｒｔｈｗｅｓｔＡ＆ＦＵｎｉｖｅｒｓｉｔｙ，Ｙａｎｇｌｉｎｇ ７１２１００，Ｃｈｉｎａ；
２．ＫｅｙＬａｂｏｒａｔｏｒｙｏｆＡｇｒｉｃｕｌｔｕｒａｌＳｏｉｌａｎｄＷａｔｅｒＥｎｇｉｎｅｅｒｉｎｇｉｎＡｒｉｄａｎｄＳｅｍｉａｒｉｄＡｒｅａｓ，ＭｉｎｉｓｔｒｙｏｆＥｄｕｃａｔｉｏｎ，
ＮｏｒｔｈｗｅｓｔＡ＆ＦＵｎｉｖｅｒｓｉｔｙ，Ｙａｎｇｌｉｎｇ ７１２１００，Ｃｈｉｎａ）
Ａｂｓｔｒａｃｔ：Ｔｈｅｔｒａｄｉｔｉｏｎａｌｄｅｃｏｍｐｏｓｉｔｉｏｎｅｎｓｅｍｂｌｅｒｕｎｏｆｆｐｒｅｄｉｃｔｉｏｎｍｏｄｅｌｆｉｒｓｔｌｙｄｅｃｏｍｐｏｓｅｓｔｈｅｅｎｔｉｒｅｒｕｎｏｆｆ
ｓｅｒｉｅｓｉｎｔｏｓｅｖｅｒａｌｓｕｂｓｅｒｉｅｓ ，ａｎｄｔｈｅｎｄｉｖｉｄｅｓｔｈｅｓｕｂｓｅｒｉｅｓｉｎｔｏｔｒａｉｎｉｎｇａｎｄｖａｌｉｄａｔｉｏｎｐｅｒｉｏｄｓｆｏｒｍｏｄｅｌｉｎｇ，
ｗｈｉｃｈｗｒｏｎｇｌｙｔｒｅａｔｓｔｈｅｐｒｅｄｉｃｔｏｒｄａｔａｏｆｖａｌｉｄａｔｉｏｎｐｅｒｉｏｄａｓｋｎｏｗｎｄａｔａａｎｄｉｓｄｉｆｆｉｃｕｌｔｔｏｂｅａｐｐｌｉｅｄｔｏａｃｔｕａｌｒｕｎ
ｏｆｆｆｏｒｅｃａｓｔｉｎｇ．Ｍｏｒｅｏｖｅｒ ，ｔｈｅｐｒｅｄｉｃｔｉｏｎｒｅｓｕｌｔｓｏｆｓｕｃｈｍｏｄｅｌｓａｒｅｏｎｌｙｄｅｆｉｎｉｔｅｖａｌｕｅｓ，ｗｈｉｃｈｉｓｄｉｆｆｉｃｕｌｔｔｏｄｅ
ｓｃｒｉｂｅｔｈｅｐｒｅｄｉｃｔｉｏｎｕｎｃｅｒｔａｉｎｔｙｃａｕｓｅｄｂｙｔｈｅｒａｎｄｏｍｎｅｓｓａｎｄｖｏｌａｔｉｌｉｔｙｏｆｒｕｎｏｆｆｓｅｒｉｅｓ．Ｔｏｓｏｌｖｅｔｈｅａｂｏｖｅｐｒｏｂ
ｌｅｍｓ ，ｔｈｉｓｓｔｕｄｙｐｒｏｐｏｓｅｓａｓｔｅｐｗｉｓｅｄｅｃｏｍｐｏｓｉｔｉｏｎｅｎｓｅｍｂｌｅ（ＶＭＤ － ＳＶＭ－ ＫＤＥ）ｍｏｄｅｌｃｏｍｂｉｎｉｎｇｖａｒｉａｂｌｅｍｏｄｅ
ｄｅｃｏｍｐｏｓｉｔｉｏｎｍｅｔｈｏｄ ，ｓｕｐｐｏｒｔｖｅｃｔｏｒｍａｃｈｉｎｅｍｏｄｅｌａｎｄｋｅｒｎｅｌｄｅｎｓｉｔｙｅｓｔｉｍａｔｉｏｎｍｅｔｈｏｄ，ｗｈｉｃｈｐｅｒｆｏｒｍｓｂｏｔｈ
ｐｏｉｎｔｐｒｅｄｉｃｔｉｏｎａｎｄｉｎｔｅｒｖａｌｐｒｅｄｉｃｔｉｏｎ，ａｎｄｐｒｏｐｏｓｅｓａｔｗｏ － ｓｔａｇｅｐａｒｔｉｃｌｅｓｗａｒｍ ｏｐｔｉｍｉｚａｔｉｏｎ（ＴＳＣＰＳＯ）ａｌｇｏ
ｒｉｔｈｍ．ＴｈｅｍｏｎｔｈｌｙｒｕｎｏｆｆｓｅｒｉｅｓｏｆｔｈｅＹｅｌｌｏｗＲｉｖｅｒＢａｓｉｎｉｓｕｓｅｄｔｏｅｖａｌｕａｔｅｔｈｅｍｏｄｅｌｐｅｒｆｏｒｍａｎｃｅ ，ａｎｄｔｈｅ
２
ｓｔｕｄｙｒｅｓｕｌｔｓｓｈｏｗｔｈａｔ：（１）ｔｈｅＶＭＤ － ＳＶＭ－ ＫＤＥｍｏｄｅｌｉｍｐｒｏｖｅｓｔｈｅｃｏｅｆｆｉｃｉｅｎｔｏｆｄｅｔｅｒｍｉｎａｔｉｏｎ（Ｒ）ａｎｄＮａｓｈ
ｅｆｆｉｃｉｅｎｃｙｃｏｅｆｆｉｃｉｅｎｔ（ＮＳＥ）ｖａｌｕｅｓｏｆｔｈｅｓｉｎｇｌｅＳＶＭ－ ＫＤＥｍｏｄｅｌｆｒｏｍｔｈｅｒａｎｇｅｏｆ０．１４５ｔｏ０．６３０ｔｏｔｈｅｒａｎｇｅｏｆ
０．８７２ｔｏ０．９２１，ａｎｄｒｅｄｕｃｅｓｔｈｅｉｎｔｅｒｖａｌａｖｅｒａｇｅｄｅｖｉａｔｉｏｎ（ＩＮＡＤ）ｖａｌｕｅｓｆｒｏｍｔｈｅｒａｎｇｅｏｆ０．０４６ｔｏ９５．８４４ｔｏｔｈｅ
ｒａｎｇｅｏｆ０．００５ｔｏ０．０３４ ，ｉｎｄｉｃａｔｉｎｇｔｈａｔｔｈｅＶＭＤ － ＳＶＭ－ ＫＤＥｍｏｄｅｌｓｉｇｎｉｆｉｃａｎｔｌｙｉｍｐｒｏｖｅｓｔｈｅｐｏｉｎｔｐｒｅｄｉｃｔｉｏｎａｎｄ
ｉｎｔｅｒｖａｌｐｒｅｄｉｃｔｉｏｎｐｅｒｆｏｒｍａｎｃｅｏｆａｓｉｎｇｌｅＳＶＭ－ ＫＤＥｍｏｄｅｌ ；（２）ｃｏｍｐａｒｅｄｗｉｔｈｔｈｅｔｒａｄｉｔｉｏｎａｌｏｎｅ － ｓｔａｇｅＰＳＯａｌ
２
ｇｏｒｉｔｈｍ ，ｔｈｅＴＳＣＰＳＯａｌｇｏｒｉｔｈｍｉｍｐｒｏｖｅｓｔｈｅＲ ａｎｄＮＳＥｖａｌｕｅｓｏｆｔｈｅｓｉｎｇｌｅｍｏｄｅｌｆｒｏｍ ｔｈｅｒａｎｇｅｏｆ０．１４５ｔｏ
０．４８０ｔｏｔｈｅｒａｎｇｅｏｆ０．３０９ｔｏ０．６３０ ，ａｎｄｒｅｄｕｃｅｓｔｈｅＩＮＡＤｖａｌｕｅｆｒｏｍｔｈｅｒａｎｇｅｏｆ４８．８１３ｔｏ９５．８４４ｔｏｔｈｅｒａｎｇｅ
２
ｏｆ０．０４６ｔｏ０．１９５ ，ａｎｄａｌｓｏｉｍｐｒｏｖｅｓｔｈｅＲ ａｎｄＮＳＥｖａｌｕｅｓｏｆｔｈｅｄｅｃｏｍｐｏｓｉｔｉｏｎｅｎｓｅｍｂｌｅｍｏｄｅｌｆｒｏｍｔｈｅｒａｎｇｅｏｆ
０．８７２ｔｏ０．９１２ｔｏｔｈｅｒａｎｇｅｏｆ０．８７６ｔｏ０．９２１ ，ａｎｄｒｅｄｕｃｅｓｔｈｅＩＮＡＤｖａｌｕｅｓｆｒｏｍｔｈｅｒａｎｇｅｏｆ０．００７ｔｏ０．０３４ｔｏｔｈｅ
ｒａｎｇｅｏｆ０．００５ｔｏ０．０１４ ，ｉｎｄｉｃａｔｉｎｇｔｈａｔｔｈｅＴＳＣＰＳＯｏｐｔｉｍｉｚａｔｉｏｎａｌｇｏｒｉｔｈｍｏｖｅｒｃｏｍｅｓｔｈｅｏｖｅｒｆｉｔｔｉｎｇｐｒｏｂｌｅｍｏｆｓｕｐ
ｐｏｒｔｖｅｃｔｏｒｍａｃｈｉｎｅｍｏｄｅｌｓａｎｄｅｆｆｅｃｔｉｖｅｌｙｉｍｐｒｏｖｅｓｔｈｅｐｒｅｄｉｃｔｉｏｎａｃｃｕｒａｃｙｏｆｔｈｅｓｉｎｇｌｅａｎｄｄｅｃｏｍｐｏｓｉｔｉｏｎｅｎｓｅｍｂｌｅ
ｍｏｄｅｌｓ ；（３）ｔｈｅＶＭＤ － ＳＶＭ－ ＫＤＥ － ＴＳＣＰＳＯｍｏｄｅｌａｄｄｒｅｓｓｅｄｔｈｅｍｉｓｔａｋｅｓｏｆｔｒａｄｉｔｉｏｎａｌｄｅｃｏｍｐｏｓｉｔｉｏｎｅｎｓｅｍｂｌｅ
ｍｏｄｅｌｓｔｈａｔｆｏｒｅｃａｓｔｆａｃｔｏｒｄａｔａｏｆｖａｌｉｄａｔｉｏｎｐｅｒｉｏｄ ，ａｎｄｈａｓｈｉｇｈｅｒａｃｃｕｒａｃｙｏｆｐｏｉｎｔｐｒｅｄｉｃｔｉｏｎａｎｄｉｎｔｅｒｖａｌｐｒｅｄｉｃ
２
ｔｉｏｎｗｉｔｈＲ ａｎｄＮＳＥｖａｌｕｅｓｏｆａｂｏｕｔ０．９ａｎｄｔｈｅＩＮＡＤｖａｌｕｅｓｒａｎｇｉｎｇｆｒｏｍ０．００５ｔｏ０．０１４．ＴｈｅＶＭＤ － ＳＶＭ － ＫＤＥ －
ＴＳＣＰＳＯｍｏｄｅｌｃａｎｐｒｏｖｉｄｅａｂａｓｉｓｆｏｒｐｒａｃｔｉｃａｌｆｏｒｅｃａｓｔｉｎｇｏｆｎｏｎ － ｓｔａｔｉｏｎａｒｙａｎｄｎｏｎ － ｌｉｎｅａｒｈｙｄｒｏｌｏｇｉｃａｌｓｅｒｉｅｓ．
Ｋｅｙｗｏｒｄｓ：ｒｕｎｏｆｆｐｒｅｄｉｃｔｉｏｎ；ｉｎｔｅｒｖａｌｐｒｅｄｉｃｔｉｏｎ；ｄｅｃｏｍｐｏｓｉｔｉｏｎｅｎｓｅｍｂｌｅｍｏｄｅｌ；ｔｗｏ － ｓｔａｇｅｐａｒｔｉｃｌｅｓｗａｒｍ ｏｐ
ｔｉｍｉｚａｔｉｏｎａｌｇｏｒｉｔｈｍ ；ｖａｒｉａｂｌｅｍｏｄｅｄｅｃｏｍｐｏｓｉｔｉｏｎ；ｓｕｐｐｏｒｔｖｅｃｔｏｒｍａｃｈｉｎｅ

（责任编辑：于福亮）

— １ ４ ６ —
６