周红标，王乐，卜峰，应根旺

（淮阴工学院 自动化学院，江苏 淮安223003）

0 引 言

电力系统短期负荷预测主要是预测未来几小时、一天或几天的负荷，对机组优化组合、安全调度、故障检修和电网商业化运作具有重要的指导意义。由于电力负荷数据主要依赖于生产生活的规律性变化，并受气象、节假日等影响，往往是具有周期性、随机性等特点的复杂非线性时间序列。传统的负荷预测完全凭调度员主观判断，后来发展了时间序列法、回归分析法［1－2］。随着人工智能技术的发展，小波理论、神经网络、支持向量机等智能算法被引入短期电力负荷预测当中［3］。由于线性回归模型难以拟合非平稳负荷时间序列，前馈型BP神经网络又存在训练耗时长、易陷入局部解等缺陷，一些学者尝试建立反馈型神经网络预测模型，如Elman、回声状态神经网络等［4］。

回声状态神经网络（Echo State Network，ESN）是Jaeger和Haas于2001年提出的一种新型递归神经网络，并于2004年在Science上发表了相关研究成果［5］。ESN的核心是隐含层内大量以完全随机和稀疏方式互连的神经元构成的动态神经元池（Dynamic Neurons Reservoir，DNR）。ESN的输入、内部和递归连接权重均在学习之前确定，在整个训练过程中保持不变，即ESN只需训练输出权重，大大简化了训练过程；同时，采用凸优化学习算法，有效解决了陷入局部最优解的问题，引起了越来越多研究者的兴趣和重视，已成为时间序列预测领域的研究热点之一［6］。文献［7］利用传统ESN对短期电力负荷进行预测，结果表明ESN预测效果优于前馈神经网络。……