荀港益

华北电力大学，北京 102206

电力系统短期负荷预测是电力系统安全、经济运行的基础和前提，也是电力部门安排调度计划、供电计划的重要依据[1]。随着社会经济的持续发展和产业结构的不断调整，用户的用电行为习惯呈现出多样化的发展趋势[2]，针对单个工业用户，由于他们在社会经济中的分工、资源配置、服务对象的不同，其用电行为习惯存在自己独有的周期特点，仅以用户总体特性进行用电预测已经不能满足负荷预测准确性的要求[3]。

目前短期负荷预测方法主要分为经典预测方法、传统预测方法与智能预测方法三类[4]。其中，智能预测方法中的神经网络（Artificial Neural Network，ANN） 能将传统的函数关系转化为高维的非线性映射，具有很强的自适应能力，但由于其从经验风险最小推至期望风险最小没有可靠的理论依据，故其泛化能力经常不尽人意[5-7]；支持向量机 （Support Vector Machine，SVM） 通过将经验风险最小化转化成结构风险最小化，利用最优化方法解决机器学习问题中的过拟合与维数灾难问题，但其理论复杂，模型参数选择技巧性强，预测结果的准确性很难得到进一步提高，限制了SVM模型的应用[8-9]；随机森林 （Random Forest，RF） 在预测中需要调节的参数少，受离群数据干扰小，且随着数据集的增大表现出良好的鲁棒性，因此随机森林更适合电力系统短期负荷预测[10-11]。

考虑到预测方法的输入特征对模型的预测精度具有极大的影响，而当前的负荷预测方法中多利用预测日的前一……