王剑锋，郑 剑，王旭东，于建成

（国网天津市电力公司，天津 300010）

电力系统负荷的准确预测是实现高效管理的基础，为电力企业运行调度等业务的实施提供支撑[1]。由于电力数据日益复杂，数据量呈指数级增长。基于智能预测算法的负荷预测具有较高的稳定性和预测精度，还有较强的复杂映射、容错及泛化能力，广泛应用于电力负荷预测领域。科研工作者在负荷预测领域的研究获得诸多突破，支持向量机SVM（support vector machine）[2]、极限学习机ELM（extreme learning machine）[3]、随机森林 RF（random forest）[4]、长短期记忆LSTM（long short-term memory）网络[5]等预测算法被广泛应用逐渐完善。文献[6]提出使用支持向量机预测中期负荷，但在处理大量时间序列数据时速度较慢。文献[7]提出了基于ELM算法的类分布不平衡数据处理技术，依据训练样本的重要性分配样本权重系数。文献[8]提出利用反向传播BP（back propagation）网络进行逐项预测，最终输出为对应于预测模型的每个子数据输出的综合加权值。

在进行负荷预测时，通常有特征组合和预测模型两个影响因素，即输入和模型。上述文献多侧重于模型，通过构建高性能的预测模型，以提升负荷预测精度。然而由于模型很难捕捉到复杂数据之间的关系，需要引入预处理等技术提高预测性能[9]。深度信念网络DBN（deep belief network）及其变种广泛应用于图像识别、机器翻译和医学诊断等各个领域，有效地解决了分类、预测和决策问题。文献[10]提出一种基于双向递归神经网络Bi-RNN（bidirectional recurrent neural network）和DBN的混合模型，该模型采用无监督预训练和监督调整训练方法，在短期电力负荷预测中具有较高的精度。……