赵越

（中国电力科学研究院有限公司，北京 100192）

随着智能电网建设的实施和智能传感设备的大量安装，由此产生了超大数量的电力数据[1]。如何有效地分析、利用这些数据，为电网运营商带来显著的经济效益，成为了电力系统研究的热点问题[2]。

目前，数据分析方法已普遍应用于电力行业，例如用户分类、负荷预测等。其中，负荷预测是大量专家学者关注的热点问题[3]。通过对当前及未来一段时间内的负荷作出精准预测，以最大程度地保证电力系统对负载不间断的可靠供电[4]，且负荷预测支持电力需求与生产之间的平衡，能够降低生产成本和规划未来的产能[5]。对于负荷预测模型，主要分为统计模型和机器学习模型两种[6-7]。而统计模型已无法适应智能电网海量电力数据的处理，基于机器学习的电力数据分析方法能够较优地掌握负荷与环境因素的内在联系，并实现较为理想的预测精度[8]。

由于单一机器学习算法的处理性能较差，从而提出了一种结合遗传算法（Genetic Algorithm，GA）和长短期记忆网络（Long Short-Term Memory，LSTM）的电力数据分析方法[9]。利用GA 改进LSTM 网络，并通过改进后的LSTM 分析电力数据来实现精准预测。

1 电力数据预处理

在电力数据输入预测模型之前，需要对其进行预处理，并将预处理后的数据集划分成3 个集合，即训练集、验证集和测试集。

输入用户分类及负荷预测模型的数据x是预测时间前一周中，每小时的电量数据与相应的温度、节假日等信息，输出时标记数据为待预测时刻的实际负荷。……