李亚男，程志友,2*

(1.安徽大学 电子信息工程学院，安徽 合肥 230601；2.安徽大学 教育部电能质量工程研究中心，安徽 合肥 230601)

精确的电力负荷预测是规划电力资源生产和使用、提高电力资源利用效率的前提.电力负荷预测可分为长期、中期、短期3种，其中短期负荷预测(short-term load forecasting, 简称STLF)的时间区间为几小时或几天.根据STLF安排短期电力调度、应对突发情况，对电力系统安全稳定和经济运行具有重要意义.电力负荷信号具有非线性、时变性、非平稳性，这些特性使输入具有不确定性，导致短期负荷预测精度下降.传统短期负荷预测采用支持向量机(support vector machine, 简称SVM)、循环神经网络(recurrent neural network, 简称RNN)、外部输入非线性自回归(nonlinear auto regressive with exogenous inputs, 简称NARX)神经网络等构成的单一模型.如文献[5]采用了基于SVM 的负荷预测算法对区域负荷进行短期预测，SVM虽能较好解决非线性和局部最小值问题，但处理大规模数据较困难.文献[6]将RNN运用到短期负荷预测模型中，RNN的单级训练具有简单、快速的优点，但RNN存在梯度消失和爆炸的问题.

鉴于上述负荷预测单一模型存在的问题，国内外学者提出了负荷预测的组合模型.如文献[7]采用自适应噪声的完全集成经验模态分解(complete ensemble empirical mode decomposition with adaptive noise, 简称CEEMDAN)算法和最小二乘支持向量机(least squares support vector machine, 简称LSSVM)相结合的负荷预测模型，该模型采用CEEMDAN算法对电力负荷信号进行分解，将特征向量作为LSSVM的输入.文献[8]将CEEMDAN算法与回声状态网络(echo state network, 简称ESN)相结合进行负荷预测，由于CEEMDAN能处理非线性、非平稳问题，且能抑制电力负荷信号中的噪声，因此……