田英杰 郭乃网 徐东辉 庞 悦 周向东 施伯乐

1(国网上海市电力公司电力科学研究院 上海 200437)2(复旦大学计算机科学技术学院 上海 200433)

0 引 言

随着中国经济的飞速发展和城市化的快速推进，社会对电力能源的需求日益增加[1]。为保障能源利用可持续发展，提高发电和配电效率，减少资源浪费，我国电网系统正向智能化电网发展[2-3]。智能化电网要求电力系统能够根据用户需求动态调整发电与分配方案。因此，准确预测未来电力能耗需求对智能电网的推动起至关重要的作用。

电力能耗预测属于时间序列预测问题，其主要预测方法是通过回归机器学习模型。无论是对基于统计学的传统模型还是深度神经网络，模型的输入特征对预测结果都有着决定性作用。劳伦斯伯克利国家实验室(LBNL)的研究[4]显示，引入与目标序列相关联的外因序列进行辅助预测将有效提升预测精度。但是在现实应用中，由于获取与耗电单位直接相关或显著相关的外界因素数据成本高、难度大，且同一时间戳往往记录了多种不同类型的时间序列数据，通过人工挑选和目标序列强相关的外界序列效率低、拓展性差，而直接将多序列作为特征输入则为目标序列引入噪声，使预测精度下降，导致多数用电能耗预测仅通过用电序列自身作为特征，根据目标序列自回归性做出预测，精度有限。因此，倘若模型能从相对容易获取的外界序列中自动挖掘序列间关系并用以辅助预测，将有助于提升目标序列预测精度。……