朱健安，魏云冰，朱鹏杰，蒋成成，朱成名

(1.上海工程技术大学 电子电气工程学院,上海 201620;2.郑州轻工业大学 建筑环境工程学院,河南 郑州 450000)

近年来，随着人民生活质量不断提高和宏观经济的发展，人们对电能的需求也越来越大，很多地区的年度负荷都大幅增长。为了更好地保证电力供需平衡和电网的安全运行，中长期负荷预测显得尤为重要。中长期负荷预测方法研究可分为传统的经典预测算法和现代预测算法[1]。传统的经典预测算法以时间序列分析法为代表，例如回归分析法、趋势外推法、灰色预测法等。文献[2]采用时间序列分析法对负荷进行预测，取得了不错的效果。虽然传统的时间序列法运算量小且运算速度快，但其不具备自适应学习能力，预测误差也比较大。文献[3～5]采用灰色模型进行预测。传统灰色模型对数据数量要求不高，但对数据质量要求比较高，因此对递增式数据预测的效果更好。近年来，随着人工智能技术的兴起，出现了以神经网络、支持向量机、小波分析为主的现代预测算法。文献[6～9]采用神经网络提高了负荷预测的精度，但神经网络算法需要大量的数据，也较容易陷入局部最优。文献[10～13]通过支持向量机算法对负荷进行预测，取得了一定的效果，但该方法对于多分类问题仍有局限性。

本文提出了一种改进粒子群优化的灰色傅里叶残差修正模型。首先对原始数据进行三点平滑法的预处理，减弱数据中异常值对预测的影响。……