朱江行，邹晓松，熊炜，袁旭峰,2，艾小清，彭月

（1.贵州大学电气工程学院，贵州省贵阳市 550025；2.贵州电网有限公司电力科学研究院，贵州省贵阳市 550002）

0 引言

在我国高速经济发展中，电力负荷的预测已成为一项重要而艰巨的任务。通过可靠且高质量的负荷预测模型准确地预测电负荷及其变化趋势能够为电网制定调度策略、供电计划提供重要参考[1-2]。

电力系统信息化的发展，分布式电源的大量使用以及电动汽车的出现，增加了配电网中电力消耗的复杂性，对电负荷预测的准确性和稳定性提出了更高的要求。国内外众多学者已对电力负荷预测的理论和方法开展了大量的研究，针对用电负荷的预测，常用的方法主要包括时间序列分析法和机器学习分析法两类[3-4]：时间序列分析方法主要包含指数平滑模型法[5]、自回归方法[6]和累积自回归滑动平均(Auto regressive Integrated Moving Average model，ARIMA)方法[7]等，时间序列分析方法主要根据历史电负荷和现在电负荷预测未来电负荷，但其只考虑了数据的时间相关性因素，并没有考虑外界因素对预测对象的影响，故当有特殊时段时，其预测结果偏差可能较大；机器学习分析法主要包含专家系统法[8]、支持向量机(support vector regression，SVM)[9]、随机森林[10]和人工神经网络(Artificial Neural Network，ANN)[11]等。文献[12]提出了一种基于岭回归估计的径向基函数神经网络短期负荷预测方法，解决了输入多重共线性问题；文献[13]利用改进的PSO-RVM (Particle swarm optimization-Relevance Vector Machine)算法对各小波分量进行预测然后叠加得到最终预测值，为后期运行可靠性评估提供数据支撑，机器学习分析法能够考虑气象、时间及日期等多特征进行预测，提高预测精度。……