陈振宇，杨 斌，阮文俊，沈 杰，吴丽莉

(1.国网江苏省电力有限公司，江苏 南京 211106；2．国网江苏省电力有限公司苏州供电公司，江苏 苏州 215004；3．国网江苏省电力有限公司泰州供电公司，江苏 泰州 225000)

近年来，电力预测技术已逐渐从传统预测方法过渡到人工智能预测技术。支持向量机、神经网络的广泛应用大大提高了电力预测的精度。文献[1-2]利用最小二乘支持向量机(LS-SVM)预测模型，研究了在气象、日期等外部因素数据影响下对短期用电需求的预测、评估，不同预测周期下的实验结果同其他传统方法相比具有更好的准确性和可解释能力。SVM 进行预测能够克服神经网络易陷入局部最优解、运算时间长等常见问题，采用灰狼优化算法优化 SVR 参数后，对预测精度有一定的改善[3]。文献[4]是一种改进型果蝇优化算法，以风速子序列重构参数和最小二乘支持向量机(LS-SVM) 参数作为优化目标建立风速预测模型，相比LS-SVM 预测方法具有更高的预测精度。文献[5]建立了基于提升小波和改进PSO-Elman神经网络的短期负荷预测模型可平滑负荷序列的随机性和不确定性，具有较高的预测精度。文献[6]采用Stacking集成学习架构，建立了多模型融合的负荷预测模型，在数据测试中取得了优于单个模型的预测精度。同样处理电力负荷随机性较强导致预测精度不高的问题，通过构建集合经验模态分解以及门控循环单元神经网络和多元线性回归组合而成的 EEMD-GRU-MLR(EGM)预测方法，有效提高了电力负荷短期预测精度[7]。……