陈纬楠，胡志坚，岳菁鹏，杜一星，齐 祺

（1. 武汉大学电气与自动化学院，湖北省武汉市430072；2. 广东电网有限责任公司电力科学研究院，广东省广州市510080）

0 引言

短期负荷预测主要对未来几小时或几天的用电负荷进行预测，是电网合理调度和平稳运行的基础［1］。近年来，智能测量设备为电力部门提供了数量更大、质量更高的负荷数据，现代气象预报技术提供了更高时空分辨率、更高精度的天气数据，为以人工智能为代表的新型负荷预测技术奠定了坚实的数据基础［2］。

目前，关于短期负荷预测的方法主要有传统的统计学方法和基于机器学习的预测方法［3］。其中，统计学方法主要有多元线性回归（MLR）［4］、时间序列分析法［5］和卡尔曼滤波法［6］等，这类方法原理与建模简单，但当数据样本容量较大时，预测效果一般。另一类方法则基于机器学习算法，例如灰色系统［7］、人工神经网络［8］、支持向量机（SVM）以及高斯过程（GP）［9］等。其中，反向传播（BP）神经网络和SVM 的应用最为广泛。文献［10］采用多层聚类法对输入数据进行预处理，然后使用改进的BP 神经网络完成了负荷预测。文献［11-12］分别采用蚱蜢算法和小波变异果蝇算法对SVM 模型进行了改进，也取得了不错的预测效果。但上述方法缺少对时间序列相关性的考虑，并且当训练样本较多时存在无法有效收敛的问题［13］。近年来，以长短期记忆（LSTM）网络为代表的深度学习算法在负荷预测领域取得了较好的应用，LSTM 网络可以充分挖掘时序数据之间的内在关联，但当特征为非连续数据时，预测精度不高［14］。……