李 闯，孔祥玉，朱石剑，田世明，鄂志军

（1. 智能电网教育部重点实验室（天津大学）,天津市300072；2. 贵州电网有限责任公司电力科学研究院,贵州省贵阳市550007；3. 中国电力科学研究院有限公司,北京市100192；4. 国网天津市电力公司,天津市300010）

0 引言

精确的电力负荷预测对保障电力系统经济、安全运行和电力服务部门的精细化运营具有重要实用价值和意义［1］。在能源互联系统中,随着通信技术的发展和量测设备的安装应用,相关部门获得了海量的信息数据,为训练、提升负荷预测模型的性能提供了大数据支撑。

近年来,短期负荷预测（short-term load forecasting,STLF）技术的创新及应用不断涌现,依据其技术特点大致可分为统计学模型、神经网络模型以及组合预测模型,应用时需根据具体的预测环境并结合输入数据的特征来合理选择预测模型［2-3］。常见的统计学模型包括自回归综合移动平均（autoregressive integrated moving average,ARIMA）模型、支持向量回归（support vector regression,SVR）等,因其数学原理与统计学关联,本文将其归类为统计学模型［4-5］。目前,深度神经网络模型备受关注,但随着网络规模的扩大,其训练效率明显降低,并且易出现过拟合现象［6］。而长短期记忆（long shortterm memory,LSTM）网络因其特殊的门结构既可以利用当前时刻的数据特征,也可以利用门结构来遗忘或记忆前一时刻的数据特征,这使得并非所有的输入数据都对网络参数的更新产生影响,可在一定程度上改善过拟合问题［7］。此外,结合模态分解技术（小波变换、经验模态分解［8］等）、特征选择技术（互信息［9］、最小冗余度最大相关性准则［10］等）、误差修正技术［11］等各类技术的组合预测模型成为研究热点。……