程志友，章杨凡 (1. 教育部电能质量工程研究中心，安徽,合肥 30601；. 安徽大学 电子信息工程学院，安徽,合肥 30601)

2020年3月，世界卫生组织宣布新型冠状病毒肺炎(corona virus disease 2019,COVID-19)全球大流行[1].至今为止，这种突如其来的病毒已经感染全世界数千万人，并导致百万人死亡.COVID-19的传播给人民健康、经济、社会等多个层面造成严重影响[2]，电力系统也不例外，前所未有的电力负荷波动给疫情影响下的短期负荷预测(short-term load forecasting,STLF)也带来了巨大的挑战.因此有必要研究能应对疫情影响的STLF新方法，以提高疫情影响下的预测精度和可靠性.

COVID-19疫情对电力系统最大的影响体现在疫情期间电力负荷同比往年出现整体下降的趋势.我国此次疫情爆发正值春节期间，部分城市采取了封城、交通管制等措施抑制疫情发展，导致第一季度用电量受到巨大影响，2020年2月前三周用电量仅恢复到节前基础水平的70%；而按照往年规律，在无疫情影响条件下用电量应恢复到节前基础水平的90%，损失电量约20%[3].2021年3月以来，受COVID-19疫情影响，欧洲多国相继采取封城停工措施，多国用电量出现下降，平均降幅为9%～23%[4-5].这些突如其来的变化给STLF带来了困难.现有的STLF方法主要是多种传统预测方法及以人工神经网络(artificial neural network,ANN)、支持向量机(support vector machine,SVM)为代表的机器学习方法[6].万昆等[7]建立了STLF的向量自回归模型，属于传统预测方法，其难以解释影响负荷变化的非线性特征，因此在传统预测方法建模时一般不考虑气象条件，时间信息等影响因素，这难以应对复……