电力系统短期负荷预测是依据历史负荷数据，充分考虑气象、经济等影响因素，对未来几小时或几天的负荷进行科学预测的方法。
目前，电力系统短期负荷预测的主要研究方法分为两大类：以时间序列法为代表的传统预测方法和以人工神经网络法为代表的人工智能预测方法。传统预测方法的模型都比较简单，但对原始数据的处理和时间序列的平稳性都有较高的要求，而且只适用于影响因素较少的情况。近几年来，人工智能预测方法被广泛应用于负荷预测，特别是人工神经网络法。电力负荷作为典型的时间序列，既有非线性又有动态特征。因此，传统的人工智能预测方法已经无法满足现在对精度的要求。神经网络专家Jordan，Pineda．Williams，Elman等提出了循环神经网络(Recurrent Neural Network，RNN)。它能够考虑时间序列的时序相关性，理论上可以利用任意长度的历史信息，因此能够更全面完整地对时间序列进行建模。但RNN在训练时存在梯度消失与梯度爆炸的问题，因此研究人员对其做出了改进，提出了长短期记忆（long short-term memory, LSTM）网络。实验证明，利用LSTM进行短期负荷预测能够得到较高的预测精度。 |