1.1设计目的及意义

无论是日常生活还是工业生产，电能影响着人类生活的方方面面。电力工业在国家建设和国民经济发展中占据十分重要的地位。电力系统的主要任务是向用户提供经济、可靠、负荷电能质量标准的电能，满足社会的各类负荷需求。然而由于电力能源的特点之一就是难以直接存储，因此，为了满足电力供应与需求的动态平衡，提高电能利用效率和经济性，需要对电力需求进行准确地预测，也即电力负荷预测。所谓电力负荷预测，也即研究未来一段时间内某一地区对电力资源的需求问题，以帮助电力部门进行科学合理的配电工作。根据电力负荷预测时间的长短分类，可将电力负荷预测分为长期预测、中期预测、短期预测以及超短期预测。长期预测的预测周期一般在两年到五年之间，该种预测一般对生产指导意义不大。中期预测的预测周期一般为半年到两年之间，在电力部门制定未来规划时使用较多。短期预测的时间跨度一般较短，以小时或者天为单位。超短期预测的时间周期一般为10分钟到1小时。其中短期预测不仅能够调节指导电力部门的日常运营管理活动，使电力生产计划更为合理，还能增加电网效益，提高电力系统稳定性。本文主要使用深度学习的相关方法对电力负荷进行短期预测，用以指导某一地区的配电工作，以期达到电力供应与需求相平衡的目标。

1.2国内外研究现状

当前我国正处于经济迅速发展阶段，为保证用户的正常供电，科学合理的电力负荷预测方法显得尤为重要。电力负荷本身易受到天气、日期、市场以及相关政策的影响，具有较强的波动性与不确定性。近年来，由于环境污染越来越严重，各种新能源发电技术不断发展，如太阳能、风能等，逐渐地占据了电力生产市场，而这些新能源发电量往往与天气和气候息息相关，从而大大加大了电力负荷预测的难度。当前国内外有关短期电力负荷预测的方法可分为两大类，一种是基于数学统计分析的方法，如自回归滑动平均模型(ARMA)、多元线性回归模型(MLR)以及卡尔曼滤波模型(Kalman filter)，另一种是基于人工智能的算法，主要包括前馈神经网络、模糊神经网络、支持向量机法、回归树法以及循环神经网络等。人工智能的方法通过机器学习来抽象地理解和提取数据本身中隐藏的线性与非线性的函数关系，能够得到较好的预测结果。深度学习是人工智能发展的最新阶段，其作为一种特殊的人工神经网络在电力负荷预测方面也得到了众多研究者的青睐。本研究主要使用深度学习模型来预测电力负荷预测。深度学习网络模型包括卷积神经网络、自动编码器以及循环神经网络等。传统的循环神经网络由于存在梯度消失或梯度爆炸等问题，经过多次迭代后预测效果变差。长短期记忆神经网络是在循环神经网络的基础上发展而来的，具有更好的记忆能力。课题主要采用长短期记忆神经网络模型来完成电力负荷的预测工作。

2. 研究的基本内容与方案

2.1研究的基本内容

课题的主要研究内容是建立长短期记忆神经网络模型并完成对其的训练，最终使用此模型对某一地区某一时期的电力负荷进行预测，分析预测结果与实际电力负荷的误差大小并得到相关结论。完成的具体内容有：

⑴分析电力负荷预测的影响因素，介绍循环神经网络以及长短期记忆神经网络的结构以及原理。

⑵收集某一地区的历史电力负荷数据，完成初始数据的处理工作，并将处理后的数据分为训练数据和测试数据两部分。

⑶建立基于长短期神经网络的电力负荷预测模型，使用训练数据完成对模型的训练。