徐先峰，王世鑫，龚 美，曹仰昱

(长安大学电子与控制工程学院，陕西 西安 710064)

1 引言

随着电力系统的建立和发展，电能已经成为人类不可或缺的能源形式，负荷预测作为电力系统调度中的关键一环，是电网用电、规划等管理部门的重要工作[1-2]。其中短期负荷预测可作为水电调度、发电机组控制、电厂、协调控制等电力计划调度的重要理论依据。负荷预测精度越高，越能保证电力企业正确地对供电项目进行实时、及时的供电调度。短期电力负荷预测的模型主要分为两类，经典统计模型[3]和数据驱动模型[4]。经典的统计模型由简单的回归函数构建，主要包括自回归移动平均(ARMA)、广义自回归条件异方差(GARCH)等。除此之外，由积分函数改进的自回归积滑动平均(ARIMA)[5]、自回归条件异方差(GARCH)[6]以及基于核方法的分位数回归[7-8]都用于电力负荷的预测。与经典统计模型相比，由人工智能算法建立的数据驱动模型更适合研究非线性关系。这些算法大大提高了电力负荷预测的准确性。例如，将双向长短期记忆神经网络(Bi-LSTM)[9]用于负荷预测时，可同时掌握历史和未来的时间序列的负荷信息，能更精确的刻画负荷预测曲线；序列到序列(Seq2seq)[10]网络结构的编码端能够接收长度变化的数据信息，使模型在接收数据信息时愈加灵活，进行负荷预测时精度更高。

综合上述优点，本文提出了一种基于多层Bi-LSTM的Seq2seq深度学习模型短期用电负荷预测算法，该算法结合了Bi-LSTM和Seq2seq的优点：对输入数据进行编码时，可在网络末端输出编码后的最终状态，其中Seq2seq的编码端由多层Bi-LSTM组成；……