郭玲,徐青山,郑乐

(1. 东南大学网络空间安全学院,江苏 南京 210096；2. 东南大学电气工程学院,江苏 南京210096)

0 引言

短期负荷预测是能源管理系统的重要组成部分,是市场机制下制定供电计划、电力调度计划和电力交易计划的重要基础,也为电力系统的经济、安全、稳定运行提供了有力保障[1—2]。传统的短期负荷预测方法主要有以自回归移动均值(auto regressive moving average,ARMA)[3—4]、线性回归方法(linear regression,LR)[5]和卡尔曼滤波法[6]为代表的统计学方法和以支持向量回归方法[7—8]、贝叶斯方法[9]和随机森林方法[10]为代表的机器学习方法。统计学方法具有模型简单、训练速度快的优点,但是对于非线性的负荷预测问题,该方法拟合能力不足,预测精度较低。传统机器学习方法虽然具有较强的非线性拟合能力,但是大多数模型参数寻优困难,容易陷入局部最优的困境。近年来随着深度学习的不断发展,很多学者也开展了利用深度学习模型进行短期负荷预测的研究,主要有基于反馈神经网络(back propagation,BP)[11]、基于循环神经网络(recurrent neural networks,RNN)[12—13]和基于卷积神经网络(convolutional neural network,CNN)的负荷预测方法[14]。文献[15]中利用BP神经网络的特征提取和非线性拟合能力,实现了短期负荷的有效预测,但该模型未考虑负荷特征之间的时序关系,预测精度不高。RNN模型具有记忆单元,可以实现对电力负荷数据时序关系提取,但在训练过程中容易产生梯度消失或爆炸的问题。基于RNN模型改进的长短期记忆网络[13,16](long short-term memory,LSTM)模型引入门控制单元,解决了RNN模型训练过程中梯度消失或爆炸的问题。……