陶 娟，邹红波，周 冬

（三峡大学 电气与新能源学院，湖北宜昌 443000）

引言

电力负荷预测是考虑到历史负荷、天气、时间等信息，对未来电力负荷进行预测。负荷预测包括发电调度、系统备用发电量的确定、市场运行优化等[1-3]。负荷预测对电力企业在电力采购、发电、负荷切换、电压控制、基础设施建设等方面做出重要决策具有重要作用[4-5]。按预测持续时间分为长期预测[6-8]和短期预测[9-13]。负荷预测包括传统方法和基于人工智能的方法。前者包括时间序列[14]，多元回归[15]和状态估计方法，而后者包括模糊逻辑[16]、支持向量机[17]，人工神经网络（ANN）方法[18]。传统的方法具有简单的优点，而基于人工智能的方法具有较高的预测精度，可以准确地建模观测负荷与所依赖的变量之间的高度非线性关系。

利用集成学习进一步提高了预测精度。集成学习中应用最多的两种算法是袋装神经网络算法（BNN）和提升人工神经网络算法（BooNN）。两种算法都将单个预测模型的输出聚合起来，以提高总体预测精度。BooNN技术基于迭代地生成许多ANN模型，在每个迭代中，生成的模型减少了预期输出与前一个迭代中训练的模型之间的误差。该模型通过前一个迭代的目标输出中减去加权估计值来更新每次迭代的目标输出。数值计算结果表明，与现有的算法相比，该方法具有更小的预测误差。

本研究采用一种基于提升人工神经网络的短期负荷预测方法，并进行仿真验证预测误差。

1 人工神经网络

人工神经网络算法的体系结构包括三层：输入层、隐含层和输出层。……