马晓琴，马占海，罗红郊，张华铭

（1.国网青海省电力公司信息通信公司，青海西宁 810000；2.北京清软创新科技股份有限公司，北京 100085）

短期负荷预测通常指预测最近几个小时内到不超过一周的负荷情况，并根据该情况调节近期的发电量，从而使电力能源的生产更加高效，同时还可以辅助电力公司采用动态定价的方案，以促进用户合理用电[1-3]。由于负荷的不确定性以及电网供电的复杂程度不同，负荷预测仍需更合理的算法来提高其精确性[4-5]。随着智能终端的广泛应用，基于智能算法的负荷预测也成为了研究热点，例如自回归综合移动平均模型（Autoregressive Integrated Moving Average Model，ARIMA）[6]、多线性高斯过程回归（Gaussian Process Regression，GPR）等[7-8]。而在机器学习（Machine Learning，ML）领域也有诸多方法可适用于短期负荷预测，例如支持向量回归（Support Vector Regression，SVR）、人工神经网络（Artificial Neural Network，ANN）及深度神经网络（Deep Neural Networks，DNN）等[9-11]。

智能电力仪表与通信系统可提供负载的详细信息，然而其在配电系统中的应用仍处于起步阶段。早期发表的关于负载分析的研究工作囊括了不同类型的聚类，包括K-均值（K-means Clustering Algorithm，K-means）、模糊聚类（Fuzzy C-means Algorithm，FCM）等。但大多数可用的基于机器学习的负荷预测方法，通常仅依赖单一数据源的历史记录，属于单任务学习方法的范畴。因此在分析负荷动态的随机特性时，上述方法均难以准确预测。该文探讨了基于负荷特征的多数据源负荷分解与聚类融合方法，并基于贝叶斯时空高斯过程（Gaussian Process，GP）模型提出了短期用电负荷预测算法。此外还通过对公开数据集进行预测研究，证明了所提算法的优越性。……