庞传军， 张波， 余建明

(1. 南瑞集团(国网电力科学研究院)有限公司，江苏 南京 211106；2. 北京科东电力控制系统有限责任公司，北京 100192)

0 引言

电力系统负荷预测可对未来一段时间的电力需求进行估计，从而根据负荷预测结果安排未来一段时间的机组组合计划、发电计划、联络线交换计划，组织电力现货交易。因此，准确的负荷预测是实现电力系统安全、经济运行的基础[1]。

电力系统负荷受天气、节假日、特殊事件等因素的影响，负荷变化随机性较大[2—4]。分布式电源的接入和电动汽车的广泛应用进一步加大了负荷的随机性和波动性[5—7]，增加了负荷精准预测难度。电力负荷预测方法主要分为两大类：统计学方法和基于机器学习的方法。统计学方法采用时间序列方法进行预测[8—9]，主要包括多元线性回归(mul-ti-ple linear regression，MLR)、自回归(auto regres-sion，AR)、自回归移动平均(auto regressive mo-ving avera-ge，ARMA)等。该类方法对电力负荷序列的平稳性要求较高，但电力负荷具有较强的随机性，不是平稳时间序列。为了提高负荷预测的准确性，诸多研究将机器学习算法应用在电力负荷预测领域。文献[10]采用K近邻(K-nearest neighbor，KNN)算法实现短期电力负荷预测，提升了负荷预测的精度和计算速度；文献[11]基于深度信念网络构建母线负荷预测模型；文献[12]提出基于改进人工神经网络的短期负荷预测方法；文献[13]将随机森林回归算法应用于短期电力负荷预测；文献[14]应用支持向量机(support vector machines，SVM)，并引入实时电价这一影响因素提升负荷预测准确度；文献[15]提出基于多模型融合Stacking集成学习方式的负荷预测方法。……