张思扬，匡芳君，周文俊

（温州商学院 信息工程学院，浙江 温州 325035）

0 引言

电力负荷预测是智能电网建设和规划的基础，负荷预测结果的准确性对电网的动态估计、负荷调度和降低发电成本具有重要意义，直接关系到电力投资的效益、供电的可靠性、电力需求的正常发展以及整个社会的经济效益和社会效益［1-3］。准确快速的短期负荷预测不仅可以有效降低发电成本，而且是电力企业在市场环境下实施需求响应工程、安排供电调度计划的前提。

面对海量、高维、异构的电力负荷数据，用传统数据挖掘方法进行负荷特性分析和预测，已难以满足需求，如何提高预测精度是研究负荷预测理论和负荷特性的重点内容，也深受学者们关注，近年来学者进行了大量研究［4-5］，有静态短期电力负荷预测方法［6-8］，这些方法不能准确预测非线性载荷和时间序列，但可以解释其物理特性。也有智能方法在处理STLF中的不确定性和非线性时间序列方面表现得更好［9-14］，如秦昌平利用级联神经网络预测短期电力负荷［15］；Ahmad等利用非线性自回归和随机森林模型预测中长期电力负荷［16］；Suryanarayana等提出了一种用于热负荷预测的深度学习方法［17］；Gou等利用深度前馈网络进行短期电力负荷预测［18］；Chen等提出了一种能集成领域知识和研究人员理解的深度残差网络短期电力负荷预测模型［19］；孔祥玉等提出了一种基于有监督和无监督结合的深度信念网络短期负荷预测模型［20］；这些智能方法对高维数据的处理能力较强，