蔡鑫祥，撖奥洋，周生奇，魏振，张智晟

(1.青岛大学 电气工程学院，山东 青岛 266071；2. 国网山东省电力公司青岛供电公司，山东 青岛 266002)

短期负荷预测主要是指对未来一个小时至几天的负荷预测，对于经济调度、最优潮流以及调度部门机组的最优组合有着重要的作用，而对于当前和未来的电力市场更是有其不可替代性。精确度高的短期负荷预测在提升经济效益和提高供电质量等方面有着非常巨大的影响[1]。

影响短期负荷预测的因素[2]主要有气象条件、日期类型等。随着近年来空调等调温设备应用越来越广泛，受温度影响较大的调温设备用电占社会总用电的比例增大，考虑气象条件能有效提高短期电力负荷的预测精度。气象条件包括：每日平均温度、每日最高温度、每日最低温度、降水概率、风速；而对于日期类型，除了节假日、工作日与周末的区分，还要考虑其周期性变化规律。

为了提高预测精度，寻找更优秀的模型与算法是必要的[3]。过去人们在短期负荷预测方面做了很多研究，有些比较成功，例如目前较为广泛使用的循环神经网络(recurrent neural networks，RNN)[4]，但是Bengio等人发现在实际应用中训练RNN会出现梯度问题，即梯度消失和梯度爆炸[5-6]。长短期记忆(long short-term memory，LSTM)模型就是为解决RNN遇到的梯度问题而提出的[7]。LSTM模型能够有效解决RNN中的梯度问题，但同时也存在训练时间过长、参数过多、模型训练较难、输入数据较少时无法得到足够优秀训练模型的问题。LSTM模型提出之后学者们又提出了很多变体。……