郑云飞， 赵红生， 王博， 潘笑， 潘兴亚

(1. 国网湖北省电力有限公司经济技术研究院，湖北 武汉 430077；2. 国网湖北省电力有限公司，湖北 武汉 430077；3. 武汉大学 电气与自动化学院，湖北 武汉 430072)

0 引 言

电能无法大量储存，因此在发电厂运行以及电能调度的过程中，要求发电厂出力与系统负荷的波动保持动态平衡。对电力负荷进行精准预测不仅可以提高电网运行的可靠性与经济性，而且影响着配电网的科学规划与发展[1-2]。因此如何提高全网短期负荷的预测精度成为配电网运行与规划的关键技术。

为了提升负荷预测结果的可信度及可观测性，负荷聚类算法在短期负荷预测领域得到了广泛的应用。文献[3]对历史负荷数据进行分析，基于不同聚类算法寻找最优的典型日负荷曲线。文献[4]利用聚类模型对负荷信息进行特征提取，寻找与预测日相似的历史数据作为预测样本，可以有效地提升预测精度和速度。然而上述方法直接对全网负荷进行预测，无法实现在负荷预测过程中的可视化。文献[5-6]基于不同的负荷数据的特征参量集合，对相应的聚类算法进行改进，对不同用电习惯的用户终端进行分类，得到更为精细化的分类结果。

上述方法主要集中于对短期负荷预测模型精度和速度的改进，无法通过负荷曲线提取用户的用电习惯，阻碍了售电侧对信息的理解。针对上述方法的缺陷，本文首先考虑不同的用电习惯，利用自组织映射网络(self-organizing feature map，SOM)实现负荷分类，然后利用遗传算法(genetic algorithm，GA)优化的Elman神经网络对全网负荷进行差异化预测，最后基于负荷综合稳定度得到全网负荷预测结果。……