刘友波，吴 浩，刘挺坚，杨智宇，刘俊勇，李秋航

（1. 四川大学电气工程学院，四川省成都市 610065；2. 国网成都供电公司，四川省成都市 610041）

0 引言

负荷预测是电力系统安全经济运行与稳定发展的重要内容，其与电网的发展规划、电力市场的运行、电力调度紧密相关［1］。近年来，许多机器学习算法被应用于负荷预测。文献［2］采用协整-格兰杰因果检验分析用电量与长期经济趋势、循环分量以及季节分量之间的关系，减小了支持向量机对数据长度、质量的依赖，从而改善了预测效果。文献［3］提出了一种核函数极限学习机模型并应用于小容量微电网的短期负荷预测。随着深度学习技术的兴起，如深度置信网络［4］、循环神经网络［5-6］、生成对抗网络［7］已应用于负荷预测并取得一定的成果。文献［8］则利用长短期记忆（LSTM）网络和轻梯度提升机进行短期负荷组合预测，可降低单一模型机端预测误差的风险，提高预测精度。上述方法都是通过数据拟合各因素和电力负荷的影响关系，直接预测负荷净需求。然而，随着用户侧分布式能源尤其是园区内、表计后新能源的装机容量增长，用户端口的净负荷需求呈现出强随机性和波动性，给主动配电网净负荷预测带来挑战，成为当前研究的重点与难点［9］。

用户侧净负荷分离属于一种单通道盲源分离（single channel blind source separation，SCBSS）问题，即传感器接收到一组信号的混合数据，研究人员期望将原始信号一一分离出来。如果在某些域中存在足够大的差异，如时域、频域、联合域和其他变换域，则可以进行信号分离。……