0 引言 

電力能源是與人們?nèi)粘Ｉ钕⑾⑾嚓P(guān)的，然而由于電力能源的調(diào)度存在延時性，導致電力資源沒有進行合理分配，電力浪費與短缺的兩極化現(xiàn)象依然存在。針對這些問題，發(fā)展改革委[1]在2016年提出電力企業(yè)應(yīng)總結(jié)2016年電力生產(chǎn)運行情況，分析預測2017年電力供需形勢，提出政策建議，形成分析預測報告以達到合理調(diào)配電力資源，提高電力資源的利用率的目的。國家在《中共中央關(guān)于制定國民經(jīng)濟和社會發(fā)展第十四個五年規(guī)劃和二〇三五年遠景目標的建議》[2]中提出建設(shè)智慧能源系統(tǒng)，優(yōu)化電力生產(chǎn)和輸送通道布局，提升新能源消納和存儲能力，因此基于歷史的用電量數(shù)據(jù)對未來的用電趨勢進行預測是十分必要的。區(qū)域用電量預測是指通過該地區(qū)產(chǎn)生的歷史用電數(shù)據(jù)時間序列，預測未來該地區(qū)的用電量，據(jù)相關(guān)研究表明，預測誤差增加，將會提高電力預測的成本，因此提升用電量預測的精確度是十分必要的。

目前應(yīng)用于電量預測的方法主要分為三類，第一類為時間序列分析方法，包括指數(shù)平滑法[3]、加權(quán)法[4]等，這類方法可以有效地處理線性數(shù)據(jù)，但是對于非線性數(shù)據(jù)的擬合效果不佳。第二類為智能算法，智能算法可分為機器學習方法與深度學習方法，其中應(yīng)用于預測的機器學習方法有支持向量機算法[5]、隨機森林算法[6]、集成算法[7]；深度學習方法有BP神經(jīng)網(wǎng)絡(luò)[8]、人工神經(jīng)網(wǎng)絡(luò)[9-11]、卷積神經(jīng)網(wǎng)絡(luò)[12-13]、循環(huán)神經(jīng)網(wǎng)絡(luò)[14-15]和遞歸神經(jīng)網(wǎng)絡(luò)[16-19]等。智能算法能較好地處理非線性問題，但是在計算速度與魯棒性方面仍需進一步改進。第三類為組合方法，組合方法是指將第一類與第二類方法結(jié)合的新方法，組合方法結(jié)合了兩類方法的優(yōu)點，能較好處理非線性問題又能同時提高智能算法的計算速度與魯棒性。

本文詳細內(nèi)容請下載：http://m.tom3567.com/resource/share/2000003803

作者信息：

劉  侃1，何家峰1，蔡高琰2

(1.廣東工業(yè)大學 信息工程學院，廣東 廣州510006；2.廣東浩迪創(chuàng)新科技有限公司，廣東 佛山528200)