党存禄 杨海兰 武文成

(1. 兰州理工大学电气工程与信息工程学院 兰州 730050；2. 兰州理工大学甘肃省工业过程先进控制重点实验室 兰州 730050；3. 兰州理工大学电气与控制工程国家级实验教学示范中心 兰州 730050；4. 甘肃送变电工程有限公司 兰州 730070)

1 引言

电力系统短期负荷预测是根据气象、社会、经济发展等多重历史负荷数据，运用特定的算法对未来几天或者几小时的电力负荷进行合理有效的预测[1]。随着智能电网的加速建设，不仅对电源端的供电可靠性有了更高的要求，同时对于电力的优化调度有了更为严格的要求，因此快速高效的电力系统负荷预测对电网制定合理、经济的调度计划，更好地实现电力系统负荷的“削峰填谷”有重要的意义[2]。

对于电力系统短期负荷预测方法，国内外学者进行了大量的研究[3-5]，现有的负荷预测方法可分为两大类：时间序列分析法[6-8]和机器学习法[9-12]。但是对于时间序列分析法而言，当负荷样本较大时该方法存在处理数据之间非线性关系的能力较差，因此预测精度不高。对于机器学习法而言，存在欠缺对负荷数据时间相关性的考虑，且当训练样本较多时存在收敛速度慢、泛化能力弱的问题。机器学习法常用于负荷预测的有BP 神经网络、随机森林、极限学习机，但上述方法欠缺对负荷数据时间相关性的考虑，且当训练样本较多时存在收敛速度慢、泛化能力弱的问题[13]。目前，由于长短期记忆神经网络兼顾了负荷的时序性和非线性关系，在负荷预测研究中被广泛应用，但它不能充分体现非连续数据之间内在关系[14]。……