吴定安，钟建伟，王新磊，向家国，曾凡伟，胡 凯，陈 晨

（1.湖北民族大学 信息工程学院，湖北 恩施 445000；2.国网湖北省电力有限公司恩施供电公司，湖北 恩施 445000）

0 引 言

电力系统的稳定运行要求发电量和负荷的需求量实现供需动态平衡，但电力负荷的非线性特征明显且波动随机性较强，影响电力负荷消耗的因素多元，特别是气象因素对负荷的影响。相关研究表明，用电负荷预测的误差每增加1%，电力系统每年的运行成本将增加数千万元[1]。因此需要探究电力负荷的变化规律，提高电力负荷的预测精度是目前迫切需要解决的问题。

目前主流的电力负荷预测方法可以分为时间序列预测法和机器学习方法。其中时间序列预测法包含自回归求和移动法[2]、傅里叶展开法[3]、卡尔曼滤波法[4]等；其原理是根据历史负荷数据自身的时序性和自相关性进行预测，该方法不需要考虑负荷的相关因素且计算速度快，预测方法较为简单，但时间序列预测法预测精度较低。机器学习方法对非线性数据拟合较强，随着计算机技术的发展，机器学习方法是目前使用较为广泛的方法。文献[5]和文献[6]使用反向传播神经网络，参数拟合能力较强，但是对时间序列数据不敏感，算法效率低。文献[7]和文献[8]使用支持向量机的方法建立预测模型，虽然得到的解是全局最优，但在大规模数据样本上计算速度慢，计算效率低下。

近几年，随着深度学习的发展和广泛运用，深度学习算法被运用到电力负荷预测中。……