张 晓,丁云峰,王 刚

1(中国科学院大学,北京 100049)

2(中国科学院 沈阳计算技术研究所 系统与软件事业部,沈阳110168)

3(国网辽宁省电力有限公司 调度控制中心,沈阳110004)

社会经济的发展离不开电网的可靠性保障.电负荷是电网运行状态的重要表征,因此电力负荷的预测是配电网规划的关键部分.在电网运行状态的评估以及电网故障的预警上都有重要意义,减少电网故障的发生对提高电力系统的社会效益和经济效益有重大意义.随着电网智能化的推进,电网中数据的智能化、信息化程度不断提高,这为电力系统负荷预测提供了海量数据样本,也为达成提高负荷预测准确性的目标奠定了基础.

短期电力负荷是对某一区域未来几个小时的用电负荷进行预测.目前,在海内外研究人员的探索、尝试下,取得了很大的进展.当下,短期电力负荷预测的方法主要有传统的统计学方法和基于机器学习的预测方法[1-3].其中统计方法包括时序预测法[4]、多元线性回归(MLR)[5,6]等.统计学方法取得了较好的成果,但是这些方法需要对电网领域的专业知识有比较深的理解才可以有效的建模并给出结果,使用起来学习成本较高.而近年来日渐崛起的人工智能方法降低了应用门槛,并且取得了更好的效果.其中陈振宇等[7]提出结合LSTM 及XBGBOOST 方法的电负荷预测,该方法的创新点在于两个模型的预测结果融合方法.但是在预测中两个模型单独起作用,实践表明单独的……