摘要：电力网络的终端负荷预测自适应感知能力相对较差，所以在执行的过程中极易出现误差或者问题，造成大规模或者关联性的预测问题。因此，对基于深度学习的电力网络终端负荷预测方法进行设计与分析。确定终端负荷预测自编码单元，关联单元进行深度SAE-NN预测模型的设计，在此基础之上，创建DNN深度预测训练结构，利用SLF法实现电力网络终端负荷的预测。最终的测试结果表明：在相同的测试环境之下，对比于传统的聚类分解负荷预测组，本文所设计的深度学习的负荷预测组最终得出的预测百分比误差相对较低，表明此种方法的预测效果更佳，具有一定的实际应用意义。

关键词：深度学习 电力网络 终端负荷 预测方法 执行指令 深度神经网络

Abstract： The adaptive sensing perception ability of terminal load forecasting of power network is relatively poor， so errors or problems are prone to occur in the process of execution， causing large-scale or relevance forecasting problems. Therefore， design and analysis of the power network terminal load forecasting method based on deep learning. The self coding unit of terminal load forecasting is determined， and the correlation unit designs the deep SAE-NN forecasting model. On this basis， the DNN deep forecasting training structure is created， and the SLF method is used to realize the terminal load forecasting of power network. The final test results show that under the same test environment， compared with the traditional cluster decomposition load forecasting group， the final prediction percentage error of the deep learning load forecasting group designed in this paper is relatively low， indicating that this method has better forecasting effect and has certain practical significance.

Key Words： Deep learning; Power network; Terminal load; Forecasting method; Execution instruction; Deep neural network

中圖分类号： TP399   文献标识码：A

电力网络的负荷预测实际上是对网络的运行情况进行检测的一种重要的监督形式，同样也是电力资源以及能量管理过程中重要且关键的一个工作环节。通常情况下，终端负荷预测的结果直接影响最终电力的调配以及供应结果，而在这个过程中出现的预测误差也会造成电网后续日常执行以及安全校核的最后处理结果，所以电力网络终端负荷的预测具有十分重要的意义，可以更好地提升电网动态估计的状态，同时调节电力配网的负荷程度，以此来减少发电、配电的实际成本，有利于电力网络的进一步创新与发展[1]。但是对于电力网络终端的负荷预测在实际应用的过程中也存在一定的问题和缺陷，这些因素也为预测带来了较多的不确定因素，致使最终的预测结果并不具备准确性以及可靠性[2]。……