葛磊蛟，赵 康，孙永辉，王 尧，牛 峰

（1. 天津大学智能电网教育部重点实验室,天津市 300072；2. 山东科技大学电气与自动化工程学院,山东省青岛市 266590；3. 河海大学能源与电气学院,江苏省南京市 210098；4. 省部共建电工装备可靠性与智能化国家重点实验室（河北工业大学）,天津市 300130）

0 引言

精准的短期负荷预测是配电网安全稳定运行、调度优化和降低运营成本的重要保障［1］。随着智能电网、能源互联网的快速发展,电网企业获取了大量的电力负荷数据,尤其是中国智能配电网数据存储容量每年达PB 级,这为配电网负荷预测提供了重要的数据资源。然而,若直接将这些数据全部作为负荷预测的原始数据集输入,将会大大增加负荷预测不必要的负担,反而降低预测精度［1］。因此,选择合适的负荷数据预处理方法,对于提高预测模型的准确度具有重要的意义及较高的工程应用价值。

一般来说,短期负荷预测分为以历史相似日选取为主的数据预处理和日负荷预测两个基本过程［2］。虽然配电网负荷的变化具有一定的周期性,但是随着时间的推移,配电网负荷结构也会发生相应改变。对数据进行日分类可以减小训练数据与预测日负荷数据特性的差异,提高数据的使用精度。此外,合理的历史相似日数据选取能够增强预测模型的可解释性,降低计算的复杂度［2］。文献［3］采用组合权重法求取相似误差确定相似日,但是当相似日与预测日的相似程度较低时,会产生较大的预测误差；……