潘广旭 ，宫池玉，李兴玉，胡军，李英杰，王瑞琪

（1.国网山东省电力公司日照供电公司，山东 日照 276800；2.国网山东综合能源服务有限公司，山东 济南 250002）

随着国家对“能源革命”的大力推进，终端用能环节的价值日益凸显[1]。一方面，提高各类能耗数据采集的准确性和安全性，确保数据采集和传输装置的易部署性，做好数据的治理和分类存储工作，是提高电负荷预测准确性以及大幅提升其他数据利用环节工作效率的基础和重要保障[2]；另一方面，改进预测算法，提高电力负荷预测的准确性有利于能源企业优化资源配置[3-5]，有利于引导客户科学用能，帮助客户增效降本。

在电力负荷预测方面，文献[6]提出了一种基于改进BP神经网络的短期电力负荷预测方法，该方法为了提高传统BP神经网络预测精度，引入了猫群算法（cat swarm optimization，CSO）优化BP神经网络的权值或阈值；文献[7]采用专家系统法进行负荷预测，专家系统由于汇集了较为全面的专家知识和经验，能考虑更多种影响因素，故利用该方法预测更容易获得准确的结论；文献[8]提出了一种基于改进卡尔曼滤波的短期负荷预测方法，该方法既保持了卡尔曼滤波算法收敛速度快的优点，又引入了修正因子考虑电力负荷变化的周期性等规律，提高了预测精度；文献[9]提出了一种基于深度神经网络的中期电力负荷预测方法；文献[10]提出了一种基于自适应深度信念网络的变电站负荷预测方法，这两类均属于神经网络预测技术，该预测方法最大的优点是能够模拟人脑处理事件，具备信息记忆、自主学习、知识推理和优化计算等突出特点；……