刘新志 刘爱莲 李英娜

（昆明理工大学a.信息工程与自动化学院；b.云南省计算机技术应用重点实验室）

随着经济的发展和电力市场化的改革，我国电力需求量日益增加，这对于电力供需双方的平衡提出了更高的要求，因此精准的电力负荷预测极其重要［1］。 负荷预测依据时间长短可分为超短期、短期、中期、长期负荷预测［2］，这些负荷预测在电力系统中起着不同的作用，其中，中期负荷预测能很好地对电力系统的中期运行计划进行规划，减少供电中的运行成本，提高供电效率。 然而，目前关于中期负荷预测的研究很少，因此提高中期负荷预测精度具有重要的现实意义。

中期负荷预测方法包括时间序列法［3］、趋势外推法［4］、专家系统法［5］、小波分析法［6］、回归分析法［7］、灰 色 模 型［8］、人 工 神 经 网 络［9，10］及 组 合 预 测法［11］等。 文献［12］利用后验差检验优化GM（1，1）模型实现了中长期负荷预测；文献［13］将小波分析法与BPNN算法相结合应用在中期负荷预测中；文献［14］采用EMD与PSO-SVM相结合的方法实现了中期负荷预测。 以上方法存在的缺点是：没有考虑负荷数据的时序关系，而且无法很好地处理负荷数据与影响因素之间的关系。

深度学习是一种新的机器学习方法，它能很好地解决上述问题。 深度学习是利用隐藏层的多层感知器组成非线性网络结构，对海量数据进行预测。 循环神经网络（Recurrent Neural Network，RNN）模型在负荷预测中应用较多，文献［15］采用RNN模型对土耳其某地区的负荷进行预测；文献［16］将深度学习中的RNN与长短期记忆（Long Short-Term Memory，LSTM） 人工神经网络相结合用于预测不同单位住户的用电量。……