黄冬梅, 庄兴科，胡安铎，孙锦中，时帅，孙园，唐振

(1.上海电力大学电子与信息工程学院, 上海市 201306；2.上海电力大学电气工程学院，上海市 200090；3.上海电力大学数理学院, 上海市 201306)

0 引 言

电力负荷预测是电力系统安全、稳定、经济运行的保障，也是编排调度计划、交易计划的重要基础[1]。目前智能电网的建设在我国逐步展开，电力系统中分布式电源的配置也随之增长，使得负荷变得更加复杂[2]。另一方面，电动汽车的大量使用，也增大了负荷消耗的随机性，这些都给短期电力负荷预测带来了巨大挑战。

短期负荷预测大致可以分为传统方法、人工智能方法和相似日方法[3]。传统方法可分为线性回归、自回归移动平均值、灰色模型[4-5]等。这些方法模型简单、计算速度快，但是由于电力负荷具有非线性的特点，这些传统方法并不能很好地解决非线性问题。

近些年，人工智能方法快速发展，突破了传统方法不能很好地解决非线性问题的不足。人工智能方法主要可分为人工神经网络[6]、支持向量机[7-9]、深度学习[10]等。随着人工智能技术的快速发展，基于深度学习方法的负荷预测技术日益受到重视。深度学习中循环神经网络(recurrent neural network，RNN)[11-12]通过将上一时刻神经元状态输入到当前时刻神经元中，实现了对时序序列的处理。但是它存在梯度爆炸或者梯度消失问题，不能有效地处理长时间序列。长短期记忆(long short-term memory，LSTM)神经网络在RNN的基础上做了改进，有效解决了RNN存在的问题，实现了对长时间序列的预测。……