蒋锋：Clustering-based interval prediction of electric load using multi-objective pathfinder algorithm and Elman neural network
【学术期刊】《Applied Soft Computing》，2022年第129卷。
【作者简介】蒋锋，伟德国际教授，博士生导师。主要研究方向是统计机器学习、群智能优化与计算、大数据建模理论方法及应用和政策评价等，近年来聚焦于机器学习和神经网络应用等领域。在国内外核心权威期刊发表论文多篇，并主持过多项国家自科基金、教育部人文社科基金和省自科社科基金项目等。
【主要观点】电力负荷的区间预测由于其波动性和不确定性而引起了电力行业的广泛关注。为了量化与预测相关的潜在不确定性，本文提出了一种基于聚类的方法来构造电力负荷数据的预测区间（Prediction Intervals，PIs）。由于电力负荷数据的高波动性和非线性性，首先采用奇异谱分析（Singular Spectrum Analysis，SSA）和k-means聚类对原始数据进行分解。其次，为避免算法过早收敛，基于群体拥挤度对多目标引路者（Multi-Objective Pathfinder，MOPATH）算法进行了改进，改进的多目标引路者（Improved MOPATH，IMOPATH）用于优化ELMAN神经网络以获得分解子列的PIs，其中，三个目标被同时优化：区间覆盖率、区间宽度和区间偏差。最后，IMOPATH作为一种集成方法，将所有子列的PIs集成在一起，得到最终的PIs。为验证本文提出的SSA-IMOPATH-ELMAN方法的性能，我们将该方法与41个模型进行了比较。预测结果表明，与其他基准模型相比，该方法可以实现更高的区间覆盖率、更窄的宽度和更低的偏差度。此外，该方法具有良好的鲁棒性和灵敏性。今后还将考虑到季节、天气、节假日等因素对电力负荷预测的影响。同时，我们也可以使用所提出的方法来预测其他非平稳的时间序列，如大宗商品价格、风速等。
