李雪冬黄 莹胡 勇李怀强高齐利

(1.北京中恒博瑞数字电力科技有限公司，北京 100085；2.国家电网公司西北分部，陕西西安 710004)

电力系统负荷预测对电力系统给的运行、生产和规划起着重要的作用，同时也为电网稳定经济运行奠定了基础[1]。Hobbs 的报告[2]曾经指出:将电力负荷预测的平均绝对百分误差降低1.5%，每年可提高收益760 万USD。精准的负荷预测有利于节能调度以及精细化管理，有利于电网监测的自动化和智能化水平的提升[3]。因此，实现负荷的精准预测具有重要的意义。

近年来，为了实现负荷的精准预测，众多学者对电力负荷预测的方法进行了积极地研究[4-6]。传统的负荷预测模型有:时间序列分析模型、回归模型和自回归移动平均模型，但这些方法对非线性关系数据的预测能力有限。随着人工智能技术的发展，负荷预测进入了崭新的阶段，陈艳平等[7]利用经验模式分解EEMD-样本熵将原始电力负荷序列分解，使用Elman 神经网络对各子序列分别进行预测。喻圣等[8]基于模糊神经网络建立了负荷预测模型。李冬辉等[9]提出了一种将多种群的果蝇优化算法和广义回归神经网相结合的电力负荷预测模型。

随着电网负荷数据呈几何增长，一般的人工智能算法将不能满足处理海量数据的要求。因此，王保义[10-11]、吴润泽等[12]将Hadoop、Spark 大数据框架与最小二乘支持向量机(least squares support vector machine，LSSVM)、极限学习机等算法相结合进行负荷预测。随着深度学习的发展，王增平[13]、张旭东[14]、朱俊丞等[15]应用不同的深度学习网络对电力负荷进行预测，这些深度学习模型大大提高了负荷预测精度[16-17]，其中，基于长短时记忆网络(long short term memory，LSTM)建立的负荷预测模型效果更好。……