储晨阳 秦 川 鞠 平 赵静波 赵 健

（1.河海大学能源与电气学院 南京 211100 2.国网江苏省电力有限公司电力科学研究院 南京 210008 3.国网南京供电公司 南京 210013）

0 引言

超短期负荷预测是指利用从电网中采集的实时负荷功率数据，对未来几分钟到几小时内的负荷进行预测[1]，从而实时监控负荷的变化情况。超短期负荷预测是电力调度部门制定实时调度计划和日内滚动计划的基础和依据。以日内滚动计划为例，电力调度部门一般以小时级的超短期负荷滚动预测为基础，15～60min为启动周期，实时对未来几个小时的有功调度计划进行滚动修正，从而逐步降低日前计划的不确定性[2-3]。因此，精准的超短期负荷预测，对电网的安全经济运行具有重要意义。

从预测方法的角度，国内外相对成熟的超短期负荷预测模型主要分为统计模型和机器学习模型两类。统计模型主要包括线性、非线性回归模型和时间序列模型等[4-6]，机器学习模型则主要包括人工神经网络、支持向量机、深度学习等[7-10]。相对而言，统计模型算法简单，但预测精度受限；机器学习，尤其是深度学习模型预测精度较高，但训练、调参相对复杂。

从预测策略的角度，现有的超短期负荷预测包括单步预测和多步预测。其中，多步预测又可分为两类：①多步递推预测，即多步预测过程中，下一步的预测值由上一步的预测值递推预测获得[11]；②多步并行预测，即根据历史数据，通过一次预测直接获得多步预测值[12]。现有的超短期、短期负荷多步预测大多采用递推预测，但可能存在误差累积的问题，并且多步预测的难度会随着步数的递增而变大[13]。……