李龙祥，彭 晨，李 军，王雨嫣，鲁荣波

(1.吉首大学信息科学与工程学院，湖南 吉首 416000；2.吉首大学数学与统计学院，湖南 吉首 416000；3.怀化学院，湖南 怀化 418008)

电能是未来智慧城市发展最主要也是最重要的能源[1].准确的住宅负荷预测能够帮助电力部门合理制定生产调度计划，减少电力的资源浪费[2-4]，这对于未来智慧城市的发展至关重要.目前，城市住宅区负荷预测研究方法主要分为统计算法和机器学习算法[5].统计算法主要包括自回归积分滑动平均(Autoregressive Integral Moving Average，ARIMA)[6]、卡尔曼滤波[7]等.这些统计方法具有计算速度快、复杂度低的优点，但是难以反映非线性特征的影响.机器学习算法能够较好地处理非线性问题，因此近几年常被应用于负荷预测领域.例如，满达等[8]设计了一种基于长短时记忆(Long Short-Time Memory，LSTM)网络的预测模型，并将该模型用于高校电力负荷预测，取得了不错的效果；王义军等[9]通过引入粒子群算法来优化支持向量机(Support Vector Machine，SVM)的方式，从而提高负荷预测的精度.随着城市区域的扩张、家用电器的多样化发展，单一的预测方法已不能在日益复杂的负荷序列上取得令人满意的结果.研究表明[10-13]，使用混合模型往往可以取长补短，获得更好的预测效果.因此，笔者设计了一个将LSTM网络与AdaBoost集成方法相结合的混合模型，并将它用于城市住宅区短期负荷预测.

1 基于 LSTM和集成算法的城市住宅区负荷预测模型

1.1 LSTM网络

LSTM是循环神经网络(Recurrent Neural Network，RNN)一个优秀的变种模型.它解决了原始循环神经网络在梯度反……