負(fù)荷預(yù)測對于智能電網(wǎng)的可靠性運維和有效管理至關(guān)重要.對充電負(fù)荷進(jìn)行超短期精確預(yù)測是提高充電站安全經(jīng)濟(jì)運行的重要措施，還能為智能電網(wǎng)的安全監(jiān)測、成本控制、調(diào)控決策提供重要依據(jù)，同時也是充電基礎(chǔ)設(shè)施投資新建、充電站容量擴(kuò)充與規(guī)劃決策的有力支撐.在電動汽車還未大規(guī)模并入電網(wǎng)時，對能源系統(tǒng)中的負(fù)荷進(jìn)行預(yù)測已經(jīng)有20多年的發(fā)展歷史，研究方法主要有兩類：一類是基于數(shù)學(xué)預(yù)測模型的傳統(tǒng)預(yù)測方法，包括趨向外推法、彈性系數(shù)法、時間序列法、線性回歸法等，主要基于線性關(guān)系構(gòu)建，忽略了氣候、日期類型等因素對超短期充電負(fù)荷預(yù)測的影響，預(yù)測準(zhǔn)確率較低；另一類是機(jī)器學(xué)習(xí)類算法，包括決策樹、神經(jīng)網(wǎng)絡(luò)、集成學(xué)習(xí)、深度學(xué)習(xí)等.

在全生育期注意防治螟蟲、紋枯病等病蟲害。在抽穗期注意防治稻粒黑粉病和稻曲病。一般在破口期、見穂期和齊穂期用克黑凈或愛苗各防治1次。

近年來，基于機(jī)器學(xué)習(xí)的電力系統(tǒng)負(fù)荷預(yù)測方法因其越來越高的精度，已成為負(fù)荷預(yù)測領(lǐng)域的熱點.文獻(xiàn)[7]通過條件生成式對抗網(wǎng)絡(luò)(Conditional Generative Adversarial Network, CGAN)對抗學(xué)習(xí)復(fù)雜的非線性數(shù)據(jù)之間的聯(lián)系，減少了特征值的偏差，提高了預(yù)測精度，但訓(xùn)練數(shù)據(jù)僅包含單一類型數(shù)據(jù)，缺少泛化能力.文獻(xiàn)[8]結(jié)合降噪自編碼器、奇異譜分析和長短期記憶神經(jīng)網(wǎng)絡(luò)構(gòu)建綜合電力預(yù)測模型，降低了噪聲干擾，提高了預(yù)測精度，但模型較為復(fù)雜，對平臺算力有較高要求.文獻(xiàn)[9]使用反向傳播網(wǎng)絡(luò)人工神經(jīng)網(wǎng)絡(luò)(Back Propagation-Artificial Neural Network, BP-ANN)提取數(shù)據(jù)特征向量，卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Networks, CNN)提取圖像特征，通過多層BP-ANN進(jìn)行短期預(yù)測，但模型訓(xùn)練時間過長，難以部署.文獻(xiàn)[10]將改進(jìn)的隨機(jī)森林與密度聚類組合，通過疊加各分量預(yù)測值來獲取負(fù)荷預(yù)測值，但模型構(gòu)建復(fù)雜，泛化能力較低.文獻(xiàn)[11]構(gòu)建道路模型，通過Dijkstra路徑尋優(yōu)算法在出行鏈上預(yù)測電動汽車(Electric Vehicle, EV)充電負(fù)荷概率密度函數(shù)，但時間尺度長，無法面對超短期的負(fù)荷預(yù)測.

近些年來我國的公路里程不斷創(chuàng)下歷史新高，公路建設(shè)規(guī)模不斷擴(kuò)大，這就對公路工程建設(shè)提出了新的挑戰(zhàn)。面對日益復(fù)雜的公路工程建設(shè)環(huán)境，只有嚴(yán)格做好公路工程質(zhì)量的管理工作，才能夠確保良好的工程質(zhì)量。

考慮到超短期充電負(fù)荷預(yù)測問題數(shù)據(jù)的大體量、高時效、高計算資源要求等因素的影響，本文使用集成學(xué)習(xí)(Ensemble Learning, EL)進(jìn)行超短期充電負(fù)荷預(yù)測.一般的回歸性預(yù)測方法只考慮到天氣、溫度、濕度等因素的影響，并未考慮到電動汽車基礎(chǔ)設(shè)施需求的特異性.電動汽車充電負(fù)荷需求具有時空不確定性、隨機(jī)性，且電動汽車配置參數(shù)存在個性化差異，為超短期充電站負(fù)荷的精確預(yù)測帶來了挑戰(zhàn).為解決上述問題，使用占用資源極低的輕量級梯度提升框架(Light Gradient Boosting Machine, LightGBM)構(gòu)建基礎(chǔ)充電負(fù)荷，預(yù)測基礎(chǔ)回歸器群；為進(jìn)一步提升預(yù)測精度，使用提升集成方法對基礎(chǔ)回歸器群進(jìn)行集成，在經(jīng)過多次迭代和超參數(shù)調(diào)整后構(gòu)成最終的充電負(fù)荷預(yù)測模型.

1 EEB-LGBM預(yù)測框架

能量集成輕量梯度提升框架(Energy Ensemble Boosting-Light Gradient Boosting Machine, EEB-LGBM)結(jié)構(gòu)包括2層，即基礎(chǔ)回歸器群生成層和集成決策層.基礎(chǔ)回歸器群生成層的作用是學(xué)習(xí)構(gòu)建后的數(shù)據(jù)集的特征，并生成數(shù)個具有差別的基礎(chǔ)回歸器構(gòu)成基礎(chǔ)回歸器群.集成決策層的作用是對基礎(chǔ)回歸器群進(jìn)行串行優(yōu)化，在合并后輸出最終模型用于超短期充電負(fù)荷預(yù)測.EEB-LGBM預(yù)測框架的結(jié)構(gòu)如圖1所示.結(jié)構(gòu)中的各個參數(shù)及其意義如表1所示.

他注意到，隨著改革開放的深入，再加上醫(yī)生忙碌的客觀事實，關(guān)愛正在逐漸淡化?！拔覀兿Ｍ臉轻t(yī)院的價值理念中多一點點關(guān)愛。而這種關(guān)愛不僅僅局限于父母親人，而是一種大愛，即關(guān)心服務(wù)的每位患者?！?/p>

在EEB-LGBM預(yù)測框架中，初始的樣本劃分將影響因素、噪聲數(shù)據(jù)與真實充電負(fù)荷數(shù)據(jù)同步輸入進(jìn)行訓(xùn)練集劃分，并對每一輪生成的基礎(chǔ)回歸器的參數(shù)進(jìn)行記錄，在下一輪時通過計算出的回歸權(quán)重不斷進(jìn)行串行迭代并更新自身參數(shù)，以此不斷優(yōu)化，最終集成為基于EEB-LGBM預(yù)測框架的超短期充電負(fù)荷預(yù)測模型.

在用該結(jié)構(gòu)進(jìn)行超短期充電負(fù)荷預(yù)測時，用實際充電負(fù)荷數(shù)據(jù)、影響充電負(fù)荷的相關(guān)因素和隨機(jī)噪聲數(shù)據(jù)構(gòu)成原始數(shù)據(jù)集.將原始數(shù)據(jù)集進(jìn)行權(quán)值劃分后用于訓(xùn)練基礎(chǔ)回歸器，并搜索基礎(chǔ)回歸器的最優(yōu)參數(shù)進(jìn)行并行化優(yōu)化，數(shù)個基礎(chǔ)回歸器構(gòu)成基礎(chǔ)回歸器群進(jìn)行多次迭代，最終集成為用于超短期充電負(fù)荷預(yù)測的最終模型，從而進(jìn)行超短期充電負(fù)荷預(yù)測.

在整個集成過程中基本回歸器()錯誤回歸的樣本權(quán)值增大，而被正確分類樣本的權(quán)值減小，以此完成自我優(yōu)化和糾錯，最終回歸模型的加權(quán)過程如圖2所示.

(1)

(2)

來自樣本和特征的擾動將增加基礎(chǔ)學(xué)習(xí)器的多樣性，有助于提高泛化性能，但同時也會導(dǎo)致訓(xùn)練流程中誤差的疊加增大.為減小特征選擇時造成的誤差，同時避免重復(fù)特征和零特征構(gòu)成的不必要計算，引入EFB特征選擇策略進(jìn)行特征束的構(gòu)建.通過向特征要素的原始值添加偏移來保證特征的排他性，使得駐留在不同的面元中的特征聚集，將具有排他性的特征捆綁到更少的密集特征上，以此構(gòu)建特征束.

區(qū)內(nèi)褶皺構(gòu)造不甚發(fā)育，總體上表現(xiàn)為一向東偏南傾斜的單斜構(gòu)造，由于應(yīng)力作用的影響，局部可見到層間小揉皺構(gòu)造及勾狀構(gòu)造。

基礎(chǔ)回歸器群易受到偏差-方差權(quán)衡的影響，而使用自適應(yīng)提升(Adaptive Boosting, Adaboost)方法進(jìn)行集成，可以在維持模型方差和偏差平衡時增加模型的預(yù)測能力，避免因單一模型過于依賴訓(xùn)練集，使得在測試集上測試與真實預(yù)測時產(chǎn)生回歸精度降低、結(jié)果失真等問題.在初始化構(gòu)建完成數(shù)據(jù)集的權(quán)值分布后，對每一個基礎(chǔ)訓(xùn)練樣本都賦予相同的權(quán)值：

利用數(shù)據(jù)挖掘技術(shù)分析HIF-1α在胃癌中的預(yù)后意義…………………………………孫美濤，自加吉，陳 瑩，嚴(yán)長寶，戴莉萍，余 敏，熊 偉（32）

(3)

=1, 2, …,

式中：為基礎(chǔ)回歸器的權(quán)重和；1為基礎(chǔ)回歸器的初始權(quán)值；為權(quán)值分布的數(shù)量.基礎(chǔ)回歸器框架對權(quán)值更新后的訓(xùn)練數(shù)據(jù)集進(jìn)行學(xué)習(xí)，得到原始回歸器為

(4)

..影響充電負(fù)荷的條件因素 目前對于電力充電負(fù)荷預(yù)測研究大多考慮的氣象影響因素有溫度、濕度、降水、風(fēng)向、風(fēng)速等.但為了更加精細(xì)化和實時化地進(jìn)行充電負(fù)荷預(yù)測，還需合并考慮連接時長、充電功率、車型配置、節(jié)假日等因素.本文使用 1～7代表星期一至星期日，節(jié)假日使用0和1進(jìn)行二值化處理，車型分為純電、混動，同樣使用0和1進(jìn)行二值化處理.

(5)

式中：為規(guī)范化因子.

(6)

根據(jù)回歸誤差率更改每個基礎(chǔ)回歸器的權(quán)重系數(shù)，預(yù)測表現(xiàn)更好的基礎(chǔ)回歸器具有更高的權(quán)重.之后更新訓(xùn)練數(shù)據(jù)集的權(quán)值分布：

(7)

(8)

=1, 2, …,

每個基礎(chǔ)回歸器通過不同的權(quán)重系數(shù)集合為最終的回歸模型，()在最終回歸器中的權(quán)重系數(shù)為

在不斷更新迭代后，根據(jù)權(quán)值將1～的所有基礎(chǔ)回歸器集合為最終回歸器：

(9)

在推動水質(zhì)不斷變好的同時，2004年，淳安出臺《關(guān)于加強千島湖生態(tài)漁業(yè)管理的若干意見》，加碼“保水漁業(yè)”的實施力度。

2 基于EEB-LGBM預(yù)測框架的超短期充電負(fù)荷預(yù)測模型

基于EEB-LGBM預(yù)測框架的超短期充電負(fù)荷預(yù)測模型主要包括數(shù)據(jù)集構(gòu)建、回歸器集成和充電負(fù)荷預(yù)測結(jié)果輸出，其結(jié)構(gòu)如圖3所示.

在構(gòu)建數(shù)據(jù)集部分需要確定數(shù)據(jù)集的大小和特性，選用合適的方法進(jìn)行數(shù)據(jù)清洗，為訓(xùn)練部分劃分原始訓(xùn)練數(shù)據(jù).隨機(jī)噪聲數(shù)據(jù)為函數(shù)生成具有正態(tài)分布的變量，與原始訓(xùn)練數(shù)據(jù)共同輸入后使得訓(xùn)練后的模型具有更強的穩(wěn)定性.充電負(fù)荷的影響條件包括氣候數(shù)據(jù)、日期類型數(shù)據(jù)、連接時長數(shù)據(jù)等.實際充電負(fù)荷數(shù)據(jù)為充電站監(jiān)測得到的真實充電站充電負(fù)荷數(shù)據(jù).在訓(xùn)練超短期充電負(fù)荷預(yù)測模型的過程中，采用LightGBM結(jié)合提升結(jié)構(gòu)生成最終模型，用于超短期充電負(fù)荷預(yù)測.首先，將實際充電負(fù)荷數(shù)據(jù)、影響條件數(shù)據(jù)、隨機(jī)噪聲數(shù)據(jù)同步進(jìn)行數(shù)據(jù)清洗后輸入集成模型訓(xùn)練部分劃分原始權(quán)值.其次，基于原始權(quán)值數(shù)據(jù)集生成數(shù)個基礎(chǔ)回歸器，以此構(gòu)成基礎(chǔ)回歸器群后進(jìn)行串行集成，在集成過程中不斷迭代優(yōu)化，最終使得整個基于EEB-LGBM預(yù)測框架的充電負(fù)荷預(yù)測模型達(dá)到最優(yōu).

為了探究模型效果，使用訓(xùn)練好的超短期充電負(fù)荷預(yù)測模型進(jìn)行充電負(fù)荷預(yù)測，并與其他超短期充電負(fù)荷預(yù)測模型的預(yù)測結(jié)果進(jìn)行對比.所有對比模型使用相同方法構(gòu)建的初始數(shù)據(jù)集進(jìn)行訓(xùn)練，輸出1 d的預(yù)測曲線，并與真實值進(jìn)行對比，觀察模型擬合度.進(jìn)行對比實驗時，使用回歸決定系數(shù)()、平均絕對百分比誤差(Mean Absolute Percentage Error, MAPE)、均方根誤差(Root Mean Square Error, RMSE)、訓(xùn)練時間(Time to Training, TT)作為評價指標(biāo)，對比不同模型的性能.

2.1 數(shù)據(jù)分析與處理

..實際充電負(fù)荷數(shù)據(jù) 實際充電負(fù)荷數(shù)據(jù)來源于充電站系統(tǒng)的實時采樣，單站10個采集點，超短期充電負(fù)荷預(yù)測輸出為未來24 h的充電負(fù)荷.為選擇合適的基礎(chǔ)回歸器群框架與集成方式，對數(shù)據(jù)進(jìn)行庫克距離分析是有必要的.庫克距離分析常用在最小二乘回歸當(dāng)中對數(shù)據(jù)點的影響進(jìn)行評估，也可以用于檢查數(shù)據(jù)集當(dāng)中不同數(shù)據(jù)點的影響力，其計算公式如下:

(10)

Previous papers have found that the prevalence of hospital undernutrition varies between 27% to more than 50% depending on the identification criteria, the medical or surgical setting and the age of the patients[6-10].

又寫作“牢絡(luò)”?！夺屆め屢路罚骸爱?，牢也。幕，絡(luò)也。言牢絡(luò)在衣表也?！薄夺屆枳C補·釋衣服》：“先謙曰，留、牢雙聲。《淮南本經(jīng)》注，除人讀牢為霤，霤從雨留聲?！妒繂识Y》注，牢讀為樓，樓、留聲近，皆其證也。絡(luò)、幕疊韻?！庇纱丝芍袄谓j(luò)”與“留幕”聲相近，義相通。高明《琵琶記·幾言諫父》：“名韁利鎖，牢絡(luò)在海角天涯?！薄杜糜洝ぜづ?dāng)朝》：“羈縻鸞鳳青絲網(wǎng)，牢絡(luò)鴛鴦碧玉籠?！币陨稀袄谓j(luò)”均有“覆蓋”之義。

回顧性分析2008年1月～2014年12月在本院接受手術(shù)治療的80例GustiloⅢA、B型脛骨開放性骨折患者的病歷資料。其中，27例接受非擴(kuò)髓帶鎖髓內(nèi)釘（unreamed tibial nail,UTN）固定，22例采用鎖定加壓鋼板（locking compression plate,LCP）固定，31例接受單側(cè)外固架（unilateral external fixator,UEF）固定。三組患者一般資料詳見表1，三組在年齡、性別、損傷機(jī)制等方面的差異均無統(tǒng)計學(xué)意義（P＞0.05）。

(11)

..數(shù)據(jù)預(yù)處理 在統(tǒng)一進(jìn)行原始權(quán)值計算前，需要對數(shù)據(jù)集進(jìn)行預(yù)處理，以便模型快速提取特征進(jìn)行學(xué)習(xí).對于缺失特征使用中位數(shù)估計函數(shù)插補，對于多級別特征根據(jù)輪廓系數(shù)標(biāo)準(zhǔn)使用均值聚類算法進(jìn)行壓縮，對于插補完成的所有特征使用魯棒縮放將特征映射到[0, 1]區(qū)間上進(jìn)行規(guī)范化，公式如下所示：

2.2 集成模型訓(xùn)練與優(yōu)化

基礎(chǔ)回歸器群框架的選擇對于最終模型的性能有較大影響，因此，對于所有適用于超短期充電負(fù)荷預(yù)測問題的共16種回歸模型，使用相同的經(jīng)過預(yù)處理構(gòu)建完成的數(shù)據(jù)集進(jìn)行訓(xùn)練，在相同的評價指標(biāo)下進(jìn)行對比.為適應(yīng)超短期充電負(fù)荷預(yù)測問題，評價指標(biāo)權(quán)重最大，生成時間次之，其他評價指標(biāo)的權(quán)重依次減小.在所有框架中LightGBM框架在精確度上略微領(lǐng)先，但在訓(xùn)練時間上表現(xiàn)出極大優(yōu)勢，因此使用LightGBM框架學(xué)習(xí)數(shù)據(jù)集構(gòu)建數(shù)個基礎(chǔ)回歸器.對于基礎(chǔ)回歸器群的單個基礎(chǔ)回歸器，以最優(yōu)為目標(biāo)進(jìn)行多次迭代和參數(shù)優(yōu)化，之后將優(yōu)化好的基礎(chǔ)回歸器群輸入集成層.對于LightGBM框架選取生長最大深度、葉片節(jié)點個數(shù)、縮分實例、隨機(jī)部分特征、L1正則化、L2正則化等參數(shù)構(gòu)建參數(shù)搜索空間.在超參數(shù)空間的參數(shù)搜索方法選擇樹狀結(jié)構(gòu)帕仁估計(Tree-Structured Parzen Estimator, TPE)算法，首先根據(jù)損失函數(shù)對超參數(shù)進(jìn)行排序，并使用分位數(shù)對全體超參數(shù)進(jìn)行分組.分別對優(yōu)化表現(xiàn)較好的超參數(shù)組和優(yōu)化表現(xiàn)較差的超參數(shù)組進(jìn)行核密度估計，給定較好組有更高的被選擇概率，較差組有更低的被選擇概率.最后，經(jīng)過優(yōu)化效果評估后繼續(xù)分組，不斷迭代，最終輸出經(jīng)過最優(yōu)表現(xiàn)超參數(shù)組合優(yōu)化后的基礎(chǔ)回歸器群.為加快超參數(shù)搜索優(yōu)化過程，對進(jìn)行TPE算法搜索的超參數(shù)搜索空間使用MongoDB結(jié)構(gòu)構(gòu)建數(shù)據(jù)庫，轉(zhuǎn)為并行化搜索，進(jìn)行超參數(shù)搜索過程優(yōu)化，如圖5所示.

將經(jīng)過優(yōu)化的基礎(chǔ)回歸器群進(jìn)行權(quán)重計算，以其中具有最大損失函數(shù)的回歸器為目標(biāo)增大優(yōu)化權(quán)重進(jìn)行迭代，構(gòu)建集成預(yù)測模型.同樣以最優(yōu)為目標(biāo)，以基礎(chǔ)回歸器群的最優(yōu)數(shù)量、基礎(chǔ)回歸器的權(quán)重縮減系數(shù)、誤差函數(shù)計算方式為超參數(shù)，構(gòu)建MongoDB結(jié)構(gòu)的超參數(shù)存儲空間，使用TPE算法進(jìn)行并行化搜索，進(jìn)一步優(yōu)化其預(yù)測精度構(gòu)成最終的超短期充電負(fù)荷預(yù)測模型.

2.3 評價指標(biāo)

回歸模型的評價指標(biāo)決定系數(shù)比對稱平均絕對百分比誤(Symmetric Mean Absolute Percentage Error, SMAPE)、均方誤差(Mean Square Error, MSE)、RMSE、平均絕對誤差(Mean Absolute Error, MAE)和MAPE等更具信息量和真實性，并且沒有MSE、RMSE、MAE及MAPE對回歸模型進(jìn)行性能評價時的可解釋性限制，甚至可以對比不同研究領(lǐng)域當(dāng)中不同回歸模型的性能.因此在選擇基礎(chǔ)回歸器框架和集成框架時，給予更大的參考權(quán)重，在接近時同時參考MAPE、RMSE、TT等指標(biāo)，各評價指標(biāo)的計算公式如下：

(12)

(13)

(14)

3 實驗結(jié)果及對比

3.1 實驗數(shù)據(jù)準(zhǔn)備

使用Foundation E-Laad.nl(ElaadNL)在2019年實測某充電站的電動汽車充電負(fù)荷需求數(shù)據(jù)以及氣象、日期類型數(shù)據(jù)構(gòu)建數(shù)據(jù)集.ElaadNL充電站包括充電樁、快速充電器、電池、充電燈和 IOTA 三相充電器，每相電流至少為16 A，充電功率為11 kW.充電站由不同的用戶群體共享，白天的用戶群體主要為辦公室工作人員，下午或晚上為游客，深夜主要為附近居民，同時還有一些特定的用戶群體，如出租車、共享汽車或市內(nèi)物流.實測充電負(fù)荷數(shù)據(jù)集主要為連接類型、連接時長、充電功率、充電樁編號、總耗能，由充電站系統(tǒng)實時采集.溫度、濕度、氣壓等氣象數(shù)據(jù)采集頻率為1次/h，再合并隨機(jī)噪聲數(shù)據(jù)后構(gòu)成原始數(shù)據(jù)集.其中70%為訓(xùn)練集輸入模型進(jìn)行訓(xùn)練，剩余30%為測試集.對基礎(chǔ)回歸器群與集成方式都進(jìn)行10折交叉驗證進(jìn)行性能對比.

c)當(dāng)C(px,y)==C(px-1,y)且C(px,y)==C(px,y-1)時， 表示塊px,y和上鄰域塊以及左鄰域塊之間均存在跨塊缺陷， 此時將上鄰域的標(biāo)號賦值給塊px,y； 另外， 如果Label[x,y-1]≠Label[x-1,y]表明左鄰域和上鄰域的標(biāo)號存在沖突， 需要將其記錄在等價標(biāo)號關(guān)系表中。

3.2 模型構(gòu)建實驗

..基礎(chǔ)回歸器性能對比與選擇 在基礎(chǔ)回歸器群的構(gòu)建過程中，針對充電站充電負(fù)荷的超短期回歸預(yù)測共選取了16種回歸算法構(gòu)建基礎(chǔ)回歸器進(jìn)行比較.這16種算法的全稱與對應(yīng)簡稱如表2所示.選取的16種算法在構(gòu)建后的相同數(shù)據(jù)集上進(jìn)行訓(xùn)練，使用10折交叉驗證在相同的測試集上驗證所有模型的性能，在相同指標(biāo)下降序排列，其結(jié)果如表3所示.

在充電站充電負(fù)荷超短期預(yù)測這一特定的應(yīng)用場景上，LightGBM框架表現(xiàn)出極大優(yōu)勢：在精確度領(lǐng)先的情況下，其訓(xùn)練時間縮短為Et、Rf等算法的1/260～1/20，大幅增加了調(diào)控速度，更適合面對超短期尺度上的充電負(fù)荷預(yù)測問題；同時計算資源需求大幅度縮小，降低了充電站的構(gòu)建、維護(hù)、檢修、擴(kuò)容的成本.

異構(gòu)集成算法要結(jié)合3種不同的算法構(gòu)建最終預(yù)測模型，因此在訓(xùn)練時間上大大落后于同構(gòu)集成算法，且充電負(fù)荷預(yù)測的正確率提升并不明顯.混合結(jié)構(gòu)準(zhǔn)確率提升至95.31%，堆疊結(jié)構(gòu)產(chǎn)生了模型沖突，使得結(jié)果失真.在同構(gòu)結(jié)構(gòu)中，提升結(jié)構(gòu)具有最高的準(zhǔn)確率，達(dá)到97.23%.在袋化類結(jié)構(gòu)中，采用多個基礎(chǔ)回歸器并行投票原則進(jìn)行集成，因此當(dāng)基礎(chǔ)回歸器對某個特征點不敏感時，會出現(xiàn)基礎(chǔ)回歸器群中的所有基礎(chǔ)回歸器在學(xué)習(xí)時都出現(xiàn)錯誤，導(dǎo)致最終回歸器同樣不能正確學(xué)習(xí)到該特征點的特征.但在提升類結(jié)構(gòu)的串行集成過程中，后一個基礎(chǔ)回歸器會對前一個基礎(chǔ)回歸器不敏感的特征點加大訓(xùn)練權(quán)值，因此避免了袋化方式在預(yù)測時不斷輸出同一錯誤點的缺陷，具有自我糾正能力.因此選擇提升方法對基礎(chǔ)回歸器群進(jìn)行集成，構(gòu)成最終的超短期充電負(fù)荷預(yù)測模型.

3.3 EEB-LGBM預(yù)測框架的性能分析

通過學(xué)習(xí)曲線和殘差分析可以觀察分析生成的模型對數(shù)據(jù)的利用效率與預(yù)測穩(wěn)定性.學(xué)習(xí)曲線將模型在訓(xùn)練集上的損失函數(shù)的最優(yōu)值與在驗證數(shù)據(jù)集上評估的損失函數(shù)作對比，驗證數(shù)據(jù)集的參數(shù)是否與產(chǎn)生最優(yōu)函數(shù)的參數(shù)相同，同時可以觀察到對數(shù)據(jù)的利用效率.計算基于EEB-LGBM預(yù)測框架的超短期充電負(fù)荷預(yù)測模型的學(xué)習(xí)曲線，可以觀察到該模型對訓(xùn)練數(shù)據(jù)的需求量小，初始訓(xùn)練時收斂速度快，隨著訓(xùn)練數(shù)據(jù)的不斷增大，準(zhǔn)確率穩(wěn)步提升，在6000條數(shù)據(jù)時模型的整體準(zhǔn)確率接近峰值，具有良好的泛化能力，其學(xué)習(xí)曲線如圖7所示.

殘差計算可以驗證模型的殘差是否與隨機(jī)誤差存在一致性，體現(xiàn)回歸模型在面對真實隨機(jī)數(shù)據(jù)時預(yù)測能力的穩(wěn)定性.殘差驗證結(jié)果的可視化如圖8所示.在對基于EEB-LGBM預(yù)測框架的模型進(jìn)行殘差計算后可以觀察到，該模型在面對隨機(jī)分布的誤差時顯示出了極高的穩(wěn)定性，在訓(xùn)練集上預(yù)測精度達(dá)到了99.12%，在測試集上精度達(dá)到了97.23%.

3.4 充電負(fù)荷預(yù)測模型對比

為對比EEB-LGBM的實際預(yù)測能力，將其與使用反向傳播神經(jīng)網(wǎng)絡(luò)(Back Propagation Neural Network, BPNN)、卷積神經(jīng)長短期記憶網(wǎng)絡(luò)(Convolutional Neural Networks-Long Short Term Memory, CNN-LSTM)、差分自回歸移動平均模型(Autoregressive Integrated Moving Average Model, ARIMA)構(gòu)成的充電負(fù)荷預(yù)測模型進(jìn)行性能對比.各模型均使用相同的充電負(fù)荷數(shù)據(jù)集以及相同的充電負(fù)荷條件影響因素數(shù)據(jù)集進(jìn)行訓(xùn)練，輸出某一天的預(yù)測值與實際充電負(fù)荷值進(jìn)行對比，其結(jié)果如圖9所示.結(jié)果表明，雖然各預(yù)測方法都可以預(yù)測到充電負(fù)荷的變化趨勢，但本文所提出的基于EEB-LGBM預(yù)測框架的超短期充電負(fù)荷預(yù)測模型與實際充電負(fù)荷曲線具有最高的擬合率.各對比預(yù)測方法在測試集上的決定系數(shù)、MAPE以及TT如表4所示.

4 結(jié)語

目前的超短期負(fù)荷預(yù)測模型具有準(zhǔn)確率欠缺、時間尺度過長、訓(xùn)練時間長、計算資源需求大等缺點，同時未針對電動汽車充電站充電負(fù)荷的特點進(jìn)行優(yōu)化.本文提出的基于集成學(xué)習(xí)的雙層預(yù)測框架進(jìn)行超短期充電負(fù)荷預(yù)測方法通過LightGBM構(gòu)建高性能的基礎(chǔ)回歸器群，對充電負(fù)荷數(shù)據(jù)集進(jìn)行學(xué)習(xí)，以提升類同構(gòu)結(jié)構(gòu)進(jìn)一步提升預(yù)測精度，并使用MongoDB構(gòu)建超參數(shù)空間，TPE算法進(jìn)行并行化超參數(shù)搜索進(jìn)行優(yōu)化，最終構(gòu)成超短期充電負(fù)荷預(yù)測模型.對比實驗證明，提出的基于EEB-LGBM預(yù)測框架的超短期充電站充電負(fù)荷預(yù)測模型，相比BPNN、CNN-LSTM、ARIMA預(yù)測模型不僅提高了預(yù)測精度，且顯著縮短了訓(xùn)練時間，降低了計算資源需求，同時具有訓(xùn)練數(shù)據(jù)需求小、收斂速度快、泛化能力強的優(yōu)點，能夠滿足充電站超短期電力充電負(fù)荷預(yù)測的高效性、穩(wěn)定性及經(jīng)濟(jì)性等要求.

本文使用的提升類結(jié)構(gòu)的串行集成方式在訓(xùn)練時間上還具有進(jìn)一步優(yōu)化空間.為更好滿足超短期充電負(fù)荷預(yù)測對預(yù)測效率的高要求，后續(xù)工作將進(jìn)行串行集成結(jié)構(gòu)改善，以期進(jìn)一步縮短模型的訓(xùn)練時間，加快預(yù)測響應(yīng)速度.