宣菊琴，郑洁云，陈 波，陈 强，陈晓彬，林婷婷

(1.国网福建省电力有限公司，福建 福州 350003；2.国网福建省电力有限公司经济技术研究院，福建 福州 350012；3.国网福州供电公司，福建 福州 350009；4.国网龙岩供电公司，福建 龙岩 364031)

如今，国民经济正处于飞速发展阶段，人们的生活质量也不断提升，同时对电能质量的要求也越来越高。电网系统的负荷预测是电能质量的保障，也是电能管理的重要环节[1]。负荷预测精准性为电力系统智能化水平运行提供重要支撑，对电力系统状态进行实时动态评估与增加发电经济效益均有重要作用[2]。由于负荷存在波动性与复杂性特征，因此根据负荷特点构建负荷预测模型是提升负荷预测精准度的关键[3]。因此，亟待提出一种电力负荷预测的新方法，从而进一步提高负荷预测准确度，满足实际需求。

目前，用于电力系统负荷预测的方法主要有线性回归法、卡尔曼滤波法、人工神经网络法及支持向量机时间序列建模等[4]。其中，传统的时间序列法主要将负荷拟成时间序列信号，并通过不同的时间序列对负荷展开预测，还能够在该模型基础上构建负荷预测的卡尔曼滤波模型、负荷预测的自回归模型以及自回归积分滑动平均模型等[5－7]。上述模型主要以线性模型为基础，其建立的预测模型较为简单，并对负荷序列的平稳性要求较高，因此在复杂条件因素下，预测精度会大大降低。为了弥补此不足，人工神经网络与支持向量机等浅层机器学习算法被广泛研究[8－11]。……