宋思远，朱 武，王光东，邓安全

(1.上海电力大学电子与信息工程学院，上海 200090；2.国网上海电力公司崇明供电公司，上海 202150)

1 引言

电力系统负荷预测是电力系统规划和稳定、安全、经济运行的基础[1]。根据预测期限可以将负荷预测分为长期预测，中期预测，短期预测和超短期预测。不同的预测类型对电网有着不同的应用目的。其中短期负荷预测(Short term load forecasting，STLF)一般指当前时刻往后1小时到1周的负荷预测[2]，适用于火电分配及水火协调等方面。可靠的预测结果有利于提高发电设备的利用率，降低电力网络的运营成本[3]。而随着电网市场化改革的推进，有效的短期负荷预测对实时电价的影响更加明显。但是随着电网规模的不断扩大，负荷多样性的增加，高效和精确的短期负荷预测变得更加困难。这就要求超短期的负荷预测方法同时具有快速和准确的特点。

目前，用于负荷预测的方法主要可以分为两大类，分别是传统的统计学方法和新兴的机器学习方法。统计学方法包括了多元线性回归模型[4]、卡尔曼滤波器模型[5-6]、以及时间序列模型[7]等，它建立的模型具有比较明确的数学形式，数据分布的假定和模型的合理性决定了预测结果好坏。而由于电力负荷具有复杂性和非线性的特点，很难做出较为符合实际的分布假定和建立明确的数学模型。因此多数的统计学方法在进行短期负荷预测时效果并不理想。机器学习方法包括了包括模糊推理系统(fuzzy inference system，FIS)[8]、人工神经网络(artificial neural network，ANN)[9]和支持向量机(support vector machine，SVM)[10-11]等。……