易礼秋,谷云东

(1.新疆财经大学 统计与数据科学学院，乌鲁木齐 830012；2.华北电力大学 数理学院，北京 102206)

0 引言

作为电力系统中的重要组成环节，精准的电力负荷预测[1]不仅是国家电网规划运行和调度的重要依据，更是电网安全运营的重要保障。研究表明，若能将一个10GW的电力设备的负荷预测准确度提升1%，每年能够节省的成本为1600万元[2]。近几十年来，有大量预测方法和预测模型来提高负荷预测精度。国内外研究人员不仅分析了时间序列法[3-4]、相似日法[5]、指数平滑[6]等经典预测方法，还对随机森林[7-8]、支持向量机[9-10]、神经网络[11-12]等智能预测法进行大量运用。

随着电网智能化的升级，电力负荷数据也更加多变[13]。长短期记忆神经网络作为智能预测方法之一，由于其具有较强的深度学习的能力被广泛应用于电力负荷预测之中。为了进一步提高负荷预测的精度，很多学者提出了改进以及优化算法的长短期记忆神经网络预测模型[14-20]。阳曾[14]等为了提升负荷预测的准确性，提出一种基于变分模态分解(Variational Mode Decomposition，VMD)和长短期记忆(Long Short Term Memory，LSTM)神经网络相结合的短期负荷预测模型，算例分析表明所提方法有效地提高了短期电力负荷预测的准确性。Heng Shi[16]等提出了对电力系统在不同层次进行负荷预测做了全面的深度学习评估，表明在最先进的深度递归神经网络与浅层神经网络相比所提出的深度预测模型具有更高的预测精度。陆继翔[18]等人提出一种将卷积神经网络(CNN)与长短期记忆(LSTM)网络混合的负荷预测模型，经过算例分析表明了混合模型大大提高了预测精度。……