黄志祥， 周 莉

(安徽理工大学 电气与信息工程学院， 安徽 淮南 232001)

电力负荷预测工作涉及到电力系统许多部门的运营决策，如管理规划和负荷调度。准确的电力负荷预测工作可以实现对电能的合理分配，减少不必要的电能浪费。电力负荷预测工作是在负荷影响因素基础上，对历史负荷数据样本进行分析，寻找负荷变化与这些因素之间的内在关系，建立数学模型，估算未来一段时间的电力发展趋势和电能消耗情况。负荷预测方法大体上分为两类：传统预测方法大多基于统计学原理，相对简单，运行速度快，应用比较成熟；现代预测方法以神经网络所代表的机器学习方法为主，一般有人工神经网络、特征编码、相似日法和组合算法等。由于机器学习方法拥有强大的非线性拟合、数据分析和预测能力，现代预测方法效果较好。LSTM是RNN的一种变体，可以解决时间序列中隐含的依赖性。许多基于LSTM的预测模型已经被提出，效果相对较好。与浅层网络模型相比，组合型模型越来越受到关注，它综合了不同预测模型的优点，预测精度显著提高。为了提高预测精度，引入数据分解法，将负荷样本集序列中不同频率的子序列分离开，以降低负荷样本序列的波动性与非线性，使非平稳的负荷数据转换为多个平稳的负荷子序列，通过LSTM模型对这些平稳的子序列分别进行预测，进一步提高模型的鲁棒性[1]。针对非平稳电力负荷序列，小波分析法、EMD、EEMD都被用于降低样本噪声干扰并有效提高预测精度[2-6]。……