基于相空间重构和随机配置网络的电力负荷短期预测

赵允文，李鹏，孙煜皓，沈鑫，杨晓华

(1.云南大学信息学院，昆明市 650500；2.云南省高校物联网技术及应用重点实验室，昆明市 650500；3.中科智能(深圳)科技有限公司，广东省深圳市 518000；4.云南电网有限责任公司，昆明市 650217)

0 引 言

随着电网技术的发展，电能的利用效率也变得尤为重要，短期电力负荷预测逐渐成为智能配电网的研究热点，但由于电力负荷数据量较大且预测结果与多种外部因素相关，预测难度不断增大。

近年来专家学者为了提高预测精度采用了多种方法和模型进行分析。文献[1]提出了基于经验模态分解和长短期记忆网络(long short-term memory network,LSTM)相结合的负荷预测模型，通过将分解后的负荷分量输入到层标准化后的LSTM模型，具有一定的预测精度。文献[2]提出了基于改进粒子群优化的LSTM短期负荷预测模型，有较高的精度和稳定性。针对负荷序列不平稳、随机性强的特点，文献[3]提出了基于相空间重构(phase space reconstruction,PSR)的LSTM预测模型，有着较高的预测精度。文献[4]提出了基于相空间重构和深度神经网络的超短期负荷预测模型，提高了模型预测的精度。

上述文献利用历史负荷数据建立了单变量的预测模型，在一定程度上提高了预测的精度，但忽略了与负荷数据相关的外部因素，未能建立多变量的预测模型。为此，一些学者开展了大量的工作，研究了与负荷数据相关的外部因素，从多变量的角度进行建模。文献[5]提出了基于相空间重构的支持向量机回归(support vector regression,SVR)预测模型，通过将负荷序列与气象序列进行相空间重构，还原其高维混沌特征，提高了模型预测的精度。……