童文术， 王枫， 周斌， 黄文杰， 靖海， 朱小波

(1.国网湖北省电力有限公司，湖北 武汉 430077；2.湖北华中电力科技开发有限责任公司， 湖北 武汉 430077)

0 引 言

当前我国输配电电能质量受到用电负荷需求的影响较为显著。当负荷需求大于供给能力时，电网工频下降，反之，电网工频上升。同时，用电负荷如果与电能供应之间存在较大差值，还会影响到电网的电压，引起各种次生电网故障[1]。因此，在当前电网运行策略下，发电站的电力供给能力必须严格按照电网负荷需求进行调整，确保电网的电能供给量与电网负荷需求量之间形成匹配。而如果要形成这种匹配关系，还应考虑电网电能供给量的调整效率和调整时间滞后性，这就需要对电网负荷需求量的数据进行一定前瞻量的预测[2]。

传统的数据预测算法，多采用曲线估计法，该算法是在大量前置数据的支持下进行曲线拟合，进而通过对拟合曲线的延伸，获得向前若干周期的预测数据[3]。或采用模糊矩阵深度迭代法，使用多组模糊矩阵相互配合，从之前数据的模糊矩阵特征结果中发现数据规律并作出数据走向判断或者数据预警[4]。但是，前者一般只支持向前约5%～10%周期的较高精度和较高信度的数据估计，即如果分析1 h的前瞻数据，则需要至少10 h时的前置数据量。且前者几乎无法对数据的前瞻拐点进行有效判断。而后者只能判断数据趋势，难以实现对前瞻精准数据值的有效预测[5]。

随着人工智能技术快……