黄星知，刘 星，张文娟，张永飞

(1. 国网湖南省电力有限公司信息通信分公司，湖南 长沙 410007； 2.北京国电通网络技术有限公司，北京 100070)

现代电力系统中，准确的负荷预测可以在满足技术约束的同时达到卓越的电网运营效果，并提高电力公司和终端用户的财务收益。相关文献研究了在确定性和概率框架下不可调度负荷的内在随机性，其中后者更受关注，因为其可以满足在不确定性条件下进行风险评估和决策的需要[1-6]。文献[1-6]在进行概率负荷预测(Probabilistic Load Forecasting，简称PLF)时讨论了一些非参数方法的特点，包括基于分位数的回归法[2]、集成组合法[3]、分位数回归森林法(Quantile Regression Forests，简称QRFs)[4]和梯度增强回归树法(Gradient Boosting Regression Tree，简称GBRT)[5]等，其中负荷预测追踪[6]进一步提高了预测性能。

与确定性负荷预测相比，这些文献研究突出了PLF特有方法的稀缺性，对比了促进PLF发展的最新趋势。在确定性负荷预测中，通常采用小波分解(Wavelet-Based Decompositions ，简称WBDs)对输入负荷时间序列进行预处理，以通过频谱内容分离各分量，最常见的是与人工神经网络(Artificial Neural Networks，简称ANNs)进行交互使用。

当前，WBDs在PLF中的应用仍在评估中。文献[7]对WBDs在概率可再生能源预测中的一些应用进行了研究，但只有少数文献对PLF中的WBDs进行了研究，而且都是利用ANNs进行预测。文献[8]提出了一种新的集成方法，该方法中母小波和分解层次是不同的，通过偏最小二乘回归将各个结果聚合起来形成集成预测。文献[9]将负荷时间序列通过小波分解成3个分量，并对每个分量应用3个ANNs，为了重建最终的负荷预测，只提出了一种估计预测总体方差的方法。……