雷炳银，王子驰，苏雨晴，孙炜哲，杨灵艺

（平高集团有限公司，平顶山 467000）

电力系统运行的一个重要方面是系统性能满足负荷要求[1]。负荷供需平衡是电力系统稳定运行的基本要求，精确的负荷预测对保证电力系统经济、安全、可靠运行起着至关重要的作用[2-3]。

针对短期负荷预测的研究，国内外学者提出了许多行之有效的方法[4]，可概括为3类。第1类是基于数学统计的建模预测方法，例如线性回归法[5]和时间序列建模方法，此类方法具有模型简单、计算速度快、易于释因等优点，但在处理非线性数据时对数据稳定性要求高，预测精度变低。第2类是基于机器学习的预测方法，包括人工神经网络、强化学习和支持向量机SVM（support vector machine）[6-7]等，此类方法可构建复杂非线性高维模型，在非线性系统分析方面具有优越性。文献[8]在深度学习框架中构建了长短期记忆神经网络来预测电力负荷。最小二乘支持向量回归机LSSVM（least squares support vector machine）是SVM的改进体，主要通过任意的精度对非线性系统拟合，在非线性建模和预测方面具有优势[9]。第3类是组合预测方法，此类方法针对电力负荷预测面临的多重问题，分别将具有针对性的预测模型进行组合以提升预测精度。针对电力负荷强非线性与波动性特征，直接利用负荷历史数据进行训练与预测，难以实现高精度预测。因此文献[10]提出EEMD-GRU-MLR组合预测方法，采用集合经验模式分解EEMD（ensem⁃ble empirical mode decomposition）方法分解原始负荷序列；高频分量利用门控循环单元GRU（gated re⁃current unit）神经网络进行训练预测，网络输入为预测时刻前24 h内（每0.5 h）的负荷高频分量值，每次输出1个预测值，即该预测时刻（0.5 h）的负荷高频分量值；……