魏 健,赵红涛,刘敦楠,加鹤萍

(1.华北电力大学数理学院,北京 102206; 2.华北电力大学经济管理学院,北京 102206)

0 引 言

短期负荷预测是提高预测精度和保障电力系统正常运行的关键因素[1]。目前对于地市级的负荷值来说，其负荷值的变化受多种因素的影响[2]，许多单一的算法难以胜任较为复杂的预测。

目前应用于短期及超短期负荷预测的机器学习方法有支持向量机、人工神经网络以及一些决策树集成模型，这些模型均各有优势，然而也存在些许不足。如支持向量机处理大规模数据困难[3]、神经网络如LSTM、RNN等典型方法在输入序列过长时容易丢失序列信息[4]，决策树集成模型有时存在过拟合现象[5]。

文献[2]和文献[4]介绍了LSTM算法在短期负荷预测中的应用，LSTM中门的设置很好地弥补了RNN算法梯度消失的现象。文献[6]介绍了CNN-LSTM(Convolutional Neural Network-Long Short-Term Memory)模型，CNN模型可对原始数据抽取特征和降低噪声，进而将处理后的数据输入LSTM处理，在很大程度上解决了LSTM模型输入序列过长时梯度消失的情况。文献[7]介绍了Catboost模型在进行短期负荷预测的优势，说明了基于决策树算法的集成模型学习能力、对数据的分析与处理能力强。文献[8]考虑到集成预测模型的优势，使用主成分分析来确定各个指标的权值。文献[9]和文献[10]使用了BP神经网络(BP Neural Network)确定各个指标的权重，本文尝试使用此方法实现超短时负荷预测。文献[11]表明，集成预测模型可能得到比单项预测模型更好的预测结果，减少预测的系统误差，从而能将各个模型的优势结合起来，显著改进预测效果。……