李文升，孙东磊，郑志杰，梁 荣，王凇瑶，张智晟

（1.国网山东省电力公司经济技术研究院，济南 250021；2.青岛大学电气工程学院，青岛 266071）

精准的短期负荷预测是系统安全可靠运行的前提和基础。在构建以新能源为主体的新型电力系统进程中，系统供给侧和需求侧不确定性因素的来源逐渐多样化，不确定程度不断增加，电力负荷的准确预测可以为系统优化调度、需求侧管理及系统安全稳定运行提供重要参考和决策依据，具有重要的现实意义和经济价值[1]。

电力系统短期负荷预测领域已有大量研究成果。近年来，人工智能技术日渐兴起，电力负荷预测的研究成果主要集中在基于机器学习理论的人工智能方法上[2]。深度学习理论在电力系统短期负荷预测领域获得了研究和应用[3-4]，其中具有门结构的长短期记忆LSTM（long short-term memory）神经网络[5]和门控循环单元GRU（gated recurrent unit）神经网络[6]模型在负荷预测中取得了较为满意的预测效果。但上述模型在性能上仍有一定的提升空间，学者们在改进模型结构方面已取得了诸多进展。文献[7]提出了简单循环单元SRU（simple recurrent unit）模型，该模型门结构计算时不需要等待前一时刻隐藏层计算完全结束，提高了计算效率；文献[8]将LSTM的3个门结构整合成1个门结构，减少了模型参数，提高了计算速度。上述研究对模型的改进提高了计算速度，但未考虑深入提取和利用输入序列中的有效信息，从而提高模型信息处理能力。文献[9]在LSTM模型中加入循环跳过层来捕捉电力负荷序列中的长期依赖关系。……