赵嘉豪，周 赣，黄 莉，陆春艳，陶晓峰，冯燕钧

（1. 东南大学 电气工程学院，江苏 南京 210096；2. 南瑞集团有限公司（国网电力科学研究院有限公司），江苏 南京 211106）

0 引言

在智能电网时代，随着智能电表的广泛使用和各类传感器的普及，电力用户侧的数据呈指数级增长。由于数据驱动的计算业务的快速扩展，现有用电信息采集系统在统计实时性和分析智能化方面面临着巨大挑战，如何高效处理和充分挖掘海量用电数据已成为一个亟需解决的问题。电力负荷预测是用电数据挖掘分析的重要业务场景之一，影响到电力系统发电与用电量之间的平衡。精确、高效的负荷预测结果有利于提高电网调度水平和安全稳定运行状况［1］。

电力负荷预测主要包括2 个环节：用电数据的获取及预处理，计算模型的训练及结果预测。通常，数据获取方案都是在中央处理器（CPU）支撑的关系型数据库上执行的。在面对数据规模较大的查询、计算时，传统的数据库（如Oracle），受限于硬件成本与CPU 计算能力，常以较长的响应时间为代价换取较高的吞吐量，通常在数据的获取和预处理方面耗时较长。另一方面，负荷预测是人工智能技术在电力系统应用最广泛、深入的应用。众多学者对采用人工智能模型预测电力负荷展开了大量研究，主要方法有神经网络［2］、支持向量机［3］和集成学习［4］等。其中，以XGBoost 为代表的集成学习方法，在负荷预测中取得了良好的效果。文献［5］对比分析了随机森林（RF）、贝叶斯和K最近邻（KNN）等模型，证明XGBoost在电力负荷预测方面具有优越性。……