王 康，张智晟，撖奥洋，于立涛

（1.青岛大学电气工程学院，青岛 266071；2.国网青岛供电公司，青岛 266002）

由于目前的技术还无法实现电能的大量存储，要想保证电力系统的安全稳定运行，提高经济效益，就需要对电力负荷进行预测。电力系统短期负荷预测主要是根据历史电力负荷、天气温度、日期类型等因素对未来几个小时至几天的电力负荷进行预估[1]。高精度的短期负荷预测对实现电力系统的供求平衡、减少资源浪费具有重要的指导意义[2]，并直接影响电力系统后续的经济调度等工作，短期负荷预测已经成为提高电力系统发电设备利用率和经济调度效率的重要环节。

电力负荷受天气温度、日期类型等多种因素的影响，使得负荷预测的难度增大。目前应用较多的短期负荷预测方法主要有传统统计学方法和机器学习方法两类。统计学方法主要有卡尔曼滤波法[3]、指数平滑法[4]等，这些方法计算简单，但是对原始序列的要求较高，使得预测精度有所下降且预测稳定性较差。机器学习方法主要有支持向量机SVM（support vector machine）[5]和人工神经网络ANN（artificial neural network）[6]等。SVM方法较好地解决了预测过程中容易出现的局部最优解的问题，但是参数选取较为复杂，收敛速度慢。ANN方法因其运算速度快、预测精度高的特点得到了广泛应用。在ANN中，反向传播BP（back propagation）神经网络结构简单，计算速度较快，但BP神经网络容易陷入局部最优解，预测精度较低[7]。文献[8]提出了一种基于CNN-LSTM混合神经网络模型的短期负荷……