龚田李慧，刘 辉

（湖北工业大学，湖北 武汉 430068）

0 引 言

随着全球电力系统规模的不断扩大与发展，人类对于用电设备和用电质量的需求也不断增长[1]。电力负荷预测是对电力负荷变化进行的预先估计和测算，其中包括时间分布和空间分布。短期负荷预测的有效结果可以帮助各能源集团制定合理的发电，输电和配电计划既能确保安全，又能在供需之间保持平衡，减少浪费的资源和电力成本[2]。因此，短期电力负荷预测的研究已成为电网智能化运行和管理的重要研究方向。

短期电力负荷预测常用的预测方法随着智能电网的发展有了很大的改变，主要可以分为传统统计方法和机器学习方法两类[3]。

传统统计方法的理论基础扎实，模型的建立相对简单。其中，回归分析法，时间序列法以及指数平滑法等方法都被广泛应用于电力负荷预测[4]。机器学习方法通过自主学习能较好地拟合输入与输出之间的非线性关系。其中，随机森林（Random Forest）、支持向量回归（Support Vector Regression，SVR）以及长短期记忆网络（Long Short-Term Memory，LSTM）等模型在进行电力负荷预测时取得了不错的效果[5]。如文献[6]基于模糊信息粒化与支持向量机的模型来进行空间负荷预测，并证明了该方法的有效性。

然而，短期电力负荷预测是非线性且不稳定的时间序列问题。当使用统计方法时，虽然模型的建立较为简单，但负荷数据的非线性特征不能被准确地反映出来，而机器学习方法虽然可以很好地处理非线性问题，但无法有效反映数据在时序上的特征[7]。……