苏 娟，方 舒，刘 博，杜松怀※，单葆国，高 天

（1.中国农业大学信息与电气工程学院，北京 100083；2.国网北京市电力公司朝阳供电公司，北京 100124；3.国网能源研究院有限公司，北京 102209）

0 引 言

短期负荷预测在电力系统的日运行调度工作中具有举足轻重的作用，可以有效协调发电、输电、配电、用电的关系[1]，对高比例可再生能源渗透下的电源灵活调节、电网高效联通、用户广泛响应的电力市场建设具有重要意义[2-3]。随着市场交易规模持续扩大，电力交易方式不断更新，清洁能源将广泛参与电力市场交易，电力负荷分析预测面临新挑战。

随着电力系统对负荷预测精度的要求越来越高，人工神经网络、支持向量机等机器学习方法因具有较强的学习和模拟能力，预测效果好等优点，得到广泛使用。最小二乘支持向量机（Least Squares Support Vector Machine，LSSVM）在支持向量机（Support Vector Machine，SVM）的基础上进行了改进，用平方差损失函数代替不敏感损失函数，将SVM的不等式约束变为等式约束，采用最小二乘线性系统作为模型的损失函数，待选参数少，简化了计算过程，提高了运算速度[4]，更适用于短期负荷预测。

对于波动性较强的负荷序列，单一的预测方法难以达到较高预测精度，组合预测方法得到广泛应用。对原始负荷序列进行分解，可以实现平稳序列和非平稳序列的分离[5]，降低预测过程中的干扰。国内外学者在基于负荷序列分解的短期负荷预测领域已开展了大量研究。文献[6]利用经验模态分解将负荷序列分解为多个独立的模态分量，利用多个指标分析各分量与影响因素的相关关系，总结构成各分量的不同负荷成分，使负荷特性分析更加深入细化；……