基于最优动态功率补偿的电力负荷预测方法

谢家安，刘骧，王玉荣

(1.广东电网有限责任公司佛山供电局, 广东 佛山 528000；2.东南大学 电气工程学院，江苏 南京 210018)

电力系统负荷预测按照时效性可分为短期、中期和远期负荷预测3种类型：短期负荷预测是电网经济运行、方式调整、潮流控制以及调峰调频的主要参考依据之一，对提高调度运行水平有重要支撑作用；中远期负荷预测在设备检修计划制订、电网结构合理性评估和优化、电网远期规划等方面发挥着重要作用。因此，提高电力系统短期和中远期负荷预测的精度对提高电网的安全、稳定及经济运行具有重要意义[1-6]。

由于电力系统负荷的时序性和非线性特点，传统的基于统计模型的分析方法(如时间序列法[7]、线性回归分析法[8]、指数平滑法[9]、卡尔曼滤波预测法[10]等)，能实现对负荷曲线时序相关性特征的有效提取，但对负荷曲线的非线性拟合能力不足，导致其对非平稳、随机性和非线性强的负荷预测精度有限；近年来具有深度学习能力的人工智能方法在电力系统负荷预测中得到深入研究和应用[11-18]，主要有人工神经网络、支持向量机、专家系统等，这些算法通过多层非线性映射可实现对负荷曲线非线性的良好拟合，但缺少对数据时序性特征描述，需要人为添加时间特征作为预测模型的输入量，有较大的随机性，难以保证负荷预测结果的准确性，且预测模型的泛化性有待提高。为解决人工智能学习方法的时序性和非线性兼顾问题，学者们提出了一种长短期记忆(long short-term memory，LSTM)网络，它是一种特殊的非线性循环神经网络，通过其特殊记忆结构和门结构可充分学习时序信号的时序相关性特征；……