基于改進(jìn)深度森林的短期電力負(fù)荷預(yù)測(cè)模型

彭 飛，馬 煜，張曉華，吳 奕，鄧文琛，陳志奎

(1. 國(guó)家電網(wǎng)公司東北分部，沈陽(yáng) 110180；2.國(guó)網(wǎng)遼寧沈陽(yáng)供電公司，沈陽(yáng) 110811；3.中國(guó)科學(xué)院 沈陽(yáng)計(jì)算技術(shù)研究所有限公司，沈陽(yáng) 110168；4.大連理工大學(xué) 軟件學(xué)院，遼寧 大連 116024)

電力負(fù)荷預(yù)測(cè)主要是指結(jié)合歷史數(shù)據(jù)和經(jīng)濟(jì)社會(huì)發(fā)展因素等對(duì)未來(lái)某一個(gè)時(shí)段的電力運(yùn)行負(fù)荷、用電市場(chǎng)需求、用電發(fā)展形勢(shì)、用電量等因素進(jìn)行綜合的預(yù)測(cè)及數(shù)值推算。負(fù)荷預(yù)測(cè)的研究對(duì)象是不確定事件，雖然整體上隨著居民和企業(yè)的生產(chǎn)活動(dòng)顯現(xiàn)周期性變化，但同時(shí)也受到氣溫、降水、濕度、節(jié)假日、市場(chǎng)交易等各種環(huán)境因素的制約顯現(xiàn)隨機(jī)性變化。這種不確定性對(duì)負(fù)荷預(yù)測(cè)研究和技術(shù)提出了精細(xì)化、綜合化和多元化發(fā)展的需求。因此，添加環(huán)境因素、引入新的算法、優(yōu)化模型結(jié)構(gòu)進(jìn)而提高負(fù)荷預(yù)測(cè)精度是電力系統(tǒng)穩(wěn)定、安全、經(jīng)濟(jì)運(yùn)行的關(guān)鍵。

近年來(lái)，隨著算法的優(yōu)化更新和機(jī)器學(xué)習(xí)方法的應(yīng)用，電力負(fù)荷預(yù)測(cè)技術(shù)也進(jìn)一步提升。但傳統(tǒng)的統(tǒng)計(jì)學(xué)方法和機(jī)器學(xué)習(xí)中的經(jīng)典算法多屬于淺層學(xué)習(xí)方法，能夠擬合的數(shù)據(jù)量較小，學(xué)習(xí)能力較差，導(dǎo)致預(yù)測(cè)結(jié)果的誤差較大，難以滿足越來(lái)越高的預(yù)測(cè)精度需求。隨著深度學(xué)習(xí)模型的不斷發(fā)展，采用深度模型進(jìn)行電力負(fù)荷預(yù)測(cè)的研究也越來(lái)越多，在短期電力負(fù)荷預(yù)測(cè)方面取得了許多突破。但深度模型往往需要使用大量的超參數(shù)，算法參數(shù)設(shè)定多為長(zhǎng)期嘗試結(jié)果或長(zhǎng)期累積經(jīng)驗(yàn)，人為干預(yù)較大，收斂速度較慢。因此，文中將深度森林算法引入電力負(fù)荷預(yù)測(cè)領(lǐng)域，解決深度模型參數(shù)多、收斂速度較慢等問題；針對(duì)電力預(yù)測(cè)數(shù)據(jù)的特點(diǎn)對(duì)模型進(jìn)行改進(jìn)，提出改進(jìn)后的深度森林算法(DF, deep forest)，以此提升預(yù)測(cè)效果；并采用中國(guó)東三省及內(nèi)蒙東部電網(wǎng)的實(shí)際運(yùn)行的數(shù)據(jù)進(jìn)行驗(yàn)證，證明該方法的可行性。

1 研究現(xiàn)狀

電力負(fù)荷預(yù)測(cè)的目標(biāo)可分為三類：超短期預(yù)測(cè)、短期預(yù)測(cè)與中長(zhǎng)期預(yù)測(cè)，文中主要研究其中的短期預(yù)測(cè)方法。傳統(tǒng)的短期預(yù)測(cè)方法主要是回歸分析法，該方法利用大量歷史數(shù)據(jù)分析電力負(fù)荷的波動(dòng)規(guī)律，建立擬合函數(shù)，從而進(jìn)行歷史、現(xiàn)在、未來(lái)電力負(fù)荷發(fā)展方式的一致性預(yù)測(cè)[1-2]。孫建梅等[3]在大量使用灰色模型的基礎(chǔ)上增加數(shù)據(jù)預(yù)處理工作，并對(duì)電力負(fù)荷進(jìn)行了中長(zhǎng)期預(yù)測(cè)，擴(kuò)展了模型的應(yīng)用范圍。張志等[4]通過(guò)關(guān)聯(lián)矩陣篩選得到影響負(fù)荷變化的強(qiáng)相關(guān)因素并對(duì)其按季節(jié)進(jìn)行分解，在此基礎(chǔ)上利用時(shí)滯效應(yīng)檢驗(yàn)和主成分分析法提升數(shù)據(jù)質(zhì)量，取得了較高的預(yù)測(cè)精度。但回歸分析法難以確定回歸線類型、回歸變量，難以達(dá)到理論上的最佳預(yù)測(cè)值[5]。

隨著機(jī)器學(xué)習(xí)的發(fā)展，大量機(jī)器學(xué)習(xí)方法也被應(yīng)用于短期負(fù)荷預(yù)測(cè)領(lǐng)域，包括支持向量機(jī)(SVM, support vector machine)、灰色模型、指數(shù)平滑法等。研究發(fā)現(xiàn)，神經(jīng)網(wǎng)絡(luò)法對(duì)短期的電力負(fù)荷預(yù)測(cè)更準(zhǔn)確[6]。簡(jiǎn)獻(xiàn)忠等[7]構(gòu)建了一種全過(guò)程優(yōu)化的支持向量機(jī)模型進(jìn)行短期負(fù)荷預(yù)測(cè)，較之前的局部?jī)?yōu)化模型能夠取得更高的預(yù)測(cè)準(zhǔn)確度。

但這些機(jī)器學(xué)習(xí)方法大多還停留在淺層學(xué)習(xí)，對(duì)于數(shù)據(jù)特征學(xué)習(xí)能力較差，能夠擬合的數(shù)據(jù)量較小。因此，隨著算法技術(shù)的發(fā)展，大量深度學(xué)習(xí)模型也被應(yīng)用于電力負(fù)荷短期預(yù)測(cè)。張靜等[8]采用了基于擁擠距離法改進(jìn)的多目標(biāo)粒子群優(yōu)化算法和BP神經(jīng)網(wǎng)絡(luò)算法對(duì)電力負(fù)荷預(yù)測(cè)研究，得到的預(yù)測(cè)精度更高、相對(duì)誤差較小。文獻(xiàn)[9-10]利用長(zhǎng)短記憶網(wǎng)絡(luò)(long-short term memory)來(lái)解決深度學(xué)習(xí)模型中常見的梯度消失的問題，并在此基礎(chǔ)上對(duì)個(gè)人住宅的負(fù)荷進(jìn)行預(yù)測(cè)，取得了較好的效果。Chen等[11]將數(shù)值預(yù)測(cè)問題轉(zhuǎn)化為圖像處理任務(wù)，使用卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural networks)模型輸入數(shù)據(jù)執(zhí)行精確的聚類，考慮了溫度、濕度、風(fēng)速等外部影響因素，具有很高的精度。

但是深度模型也受限于較大的數(shù)據(jù)需求，在數(shù)據(jù)量較小時(shí)難以使用。此外，深度學(xué)習(xí)模型的“黑箱”性質(zhì)使得其可解釋性較差，超參數(shù)設(shè)置較多，在許多領(lǐng)域并不被廣泛認(rèn)可。針對(duì)這些問題，文章將深度森林模型引入短期電力負(fù)荷預(yù)測(cè)領(lǐng)域。深度森林模型[12]是一種2017年提出來(lái)的深度學(xué)習(xí)模型，它的核心思想是對(duì)隨機(jī)森林進(jìn)行集成。相較于其他深度學(xué)習(xí)模型，深度森林方法在每一層自主訓(xùn)練參數(shù)，不需要反向傳播過(guò)程，因此對(duì)于訓(xùn)練集的樣本數(shù)量要求較低，并且極大地減少了訓(xùn)練時(shí)間，拓寬了深度模型的應(yīng)用領(lǐng)域。另外，由于決策樹構(gòu)成了深度森林的基本單元，使得該模型具有較好的可解釋性，需要人工設(shè)置的超參數(shù)數(shù)量也非常少，在許多缺少歷史經(jīng)驗(yàn)的領(lǐng)域也取得了較好的效果。目前，深度森林模型已經(jīng)在醫(yī)療、交通、金融等多個(gè)領(lǐng)域得到了應(yīng)用[13-15]。

2 電力負(fù)荷預(yù)測(cè)模型

2.1 多粒度級(jí)聯(lián)森林

文中基于多粒度級(jí)聯(lián)森林(gcForest, multi-Grained Cascade Forest)模型構(gòu)建電力負(fù)荷預(yù)測(cè)模型。gcForest主要由兩個(gè)結(jié)構(gòu)組成：多粒度掃描窗口和級(jí)聯(lián)森林。多粒度掃描窗口類似于卷積神經(jīng)網(wǎng)絡(luò)中的滑動(dòng)窗口，對(duì)輸入的數(shù)據(jù)進(jìn)行不同粒度的采樣，獲取輸入特征，增強(qiáng)學(xué)習(xí)效果。級(jí)聯(lián)森林的作用是對(duì)輸入特征進(jìn)行表征學(xué)習(xí)，它由多種隨機(jī)森林構(gòu)成。如圖1所示，每一層都包括2個(gè)隨機(jī)森林和2個(gè)完全隨機(jī)森林，每個(gè)隨機(jī)森林包含若干棵樹，而每個(gè)森林都會(huì)輸出一個(gè)類向量結(jié)果。將多個(gè)森林得到的類向量進(jìn)行串聯(lián)，即為這一層的輸出。將其與最初的輸入特征連接作為下一層的輸入，這樣，每一層都會(huì)接收到前一層的特征信息和最初始的特征信息。模型會(huì)一直加深層數(shù)直到收斂或者到達(dá)指定的層數(shù)上限為止，最后一層的輸出類向量就是分類的最終結(jié)果。

圖1 級(jí)聯(lián)森林結(jié)構(gòu)圖Fig.1 Structure of the cascade forest

2.2 改進(jìn)的深度森林算法的負(fù)荷預(yù)測(cè)模型

根據(jù)上述介紹可知，深度森林的輸入特征依賴于多粒度掃描窗口的設(shè)計(jì)。不同于圖像識(shí)別領(lǐng)域，負(fù)荷預(yù)測(cè)模型的輸入通常是一個(gè)一維向量，因此需要根據(jù)負(fù)荷數(shù)據(jù)的特點(diǎn)來(lái)設(shè)計(jì)有效的多粒度掃描窗口。

電力負(fù)荷預(yù)測(cè)具有周期性和時(shí)變性的特點(diǎn)，因此，負(fù)荷預(yù)測(cè)需要以歷史數(shù)據(jù)和客觀因素為參考開展預(yù)測(cè)，需要在預(yù)測(cè)前就明確采用歷史數(shù)據(jù)的時(shí)間段和未來(lái)預(yù)測(cè)的時(shí)間范圍。由于負(fù)荷數(shù)據(jù)是具有時(shí)間連續(xù)性的一維向量，選擇合適的窗口才能有效利用歷史數(shù)據(jù)的周期性。在文中，歷史數(shù)據(jù)為預(yù)測(cè)節(jié)點(diǎn)前18個(gè)月的電力負(fù)荷值，預(yù)測(cè)目標(biāo)設(shè)定為短期預(yù)測(cè)，未來(lái)預(yù)測(cè)時(shí)間從一小時(shí)到一周不等。

針對(duì)電力負(fù)荷數(shù)據(jù)的特性，對(duì)深度森林算法進(jìn)行改進(jìn)。原gcForest模型通過(guò)調(diào)整窗口的大小來(lái)提取數(shù)據(jù)特征，而文中將在改變窗口大小的同時(shí)，通過(guò)調(diào)整窗口滑動(dòng)的步長(zhǎng)來(lái)提取數(shù)據(jù)的周期性。由于電力負(fù)荷數(shù)據(jù)的周期性與人類的生產(chǎn)生活規(guī)律密切相關(guān)，在天、周、月、年等不同的時(shí)間跨度中都表現(xiàn)出一定的周期性。為了提取不同粒度的周期性，參照人類對(duì)于時(shí)間的劃分方式，設(shè)定不同的步長(zhǎng)，包括一小時(shí)、一天、一周、一月、一季以及一年，并對(duì)不同的滑動(dòng)步長(zhǎng)設(shè)定對(duì)應(yīng)的窗口大小。

由于輸入向量的長(zhǎng)度較長(zhǎng)，365 d×24 h×4=35 040 h。當(dāng)掃描步長(zhǎng)較小時(shí)，產(chǎn)生的特征將特別巨大。以三分類為例，以步長(zhǎng)4(一小時(shí))為例，設(shè)窗口大小為96，則最終生成的輸入特征為((35 040-96)÷4+1)×3=26 211維。若將其作為級(jí)聯(lián)森林的輸入特征，會(huì)極大地增加時(shí)間復(fù)雜度和空間復(fù)雜度，甚至出現(xiàn)內(nèi)存溢出的情況。針對(duì)這一問題，文中通過(guò)設(shè)定滑動(dòng)次數(shù)上限的方式來(lái)解決。文中的窗口大小、步長(zhǎng)以及滑動(dòng)次數(shù)上限設(shè)定如表1所示。

表1 多粒度窗口滑動(dòng)步長(zhǎng)與滑動(dòng)次數(shù)

如圖2所示，以窗口大小為24和672為例，分別得到1 344m維和96m維的特征，其中m是類向量長(zhǎng)度，即分類的類別數(shù)量。串聯(lián)組合得到級(jí)聯(lián)森林部分的輸入特征。

圖2 多粒度滑動(dòng)窗口掃描方法Fig.2 Illustration of multi-granularity sliding window scan

此外，若是直接以類別中間值為最后的預(yù)測(cè)結(jié)果，則會(huì)人為造成大量的誤差。針對(duì)這一問題，文章改進(jìn)了最后一層的輸出。深度森林中每一個(gè)隨機(jī)森林的輸出是根據(jù)其中每一棵樹得到的類向量求均值，將離散的模型輸出變?yōu)檫B續(xù)值，進(jìn)而能夠提供更為精確的預(yù)測(cè)結(jié)果。文中最后一層的樹不會(huì)輸出類向量，而是通過(guò)計(jì)算對(duì)應(yīng)葉子節(jié)點(diǎn)中的具體數(shù)值來(lái)得到最終的預(yù)測(cè)值。如圖3所示，其中紅色線段代表測(cè)試樣本落入葉子節(jié)點(diǎn)的路徑。在多粒度窗口掃描的過(guò)程中，按照類向量的生成方法得到最初的數(shù)據(jù)特征。在預(yù)測(cè)過(guò)程中，按照均值的方法得到最終的預(yù)測(cè)值。

圖3 類向量生成方法及改進(jìn)后的預(yù)測(cè)值計(jì)算方法Fig.3 Illustration of class vector generation and predicted value calculation

3 實(shí) 驗(yàn)

3.1 實(shí)驗(yàn)數(shù)據(jù)

文中數(shù)據(jù)來(lái)源于國(guó)家電網(wǎng)公司東北分部，包括了從2016年到2019年上半年的電力負(fù)荷數(shù)據(jù)，涵蓋了遼寧、吉林、黑龍江和內(nèi)蒙古東部地區(qū)。數(shù)據(jù)具有較強(qiáng)的時(shí)間連續(xù)性，每過(guò)15 min記錄一次當(dāng)前電網(wǎng)的功率值，總計(jì)應(yīng)該有612 960條數(shù)據(jù)，實(shí)際測(cè)得567 168條數(shù)據(jù)，數(shù)據(jù)較為完整、質(zhì)量較高，能夠用于驗(yàn)證模型的可行性。

3.1.1 數(shù)據(jù)預(yù)處理

由于傳感器故障和異常工況等原因，原始數(shù)據(jù)包含一些錯(cuò)誤信息和數(shù)據(jù)缺失的情況，必須對(duì)原始數(shù)據(jù)進(jìn)行數(shù)據(jù)清洗以減小錯(cuò)漏數(shù)據(jù)的影響。由于歷史數(shù)據(jù)具有時(shí)間連續(xù)性，對(duì)錯(cuò)誤數(shù)據(jù)并不能單純地剔除處理，因此文中針對(duì)錯(cuò)漏數(shù)據(jù)采用線性插值的方法進(jìn)行數(shù)據(jù)填充。在處理數(shù)據(jù)時(shí)，沒有出現(xiàn)連續(xù)大段的錯(cuò)漏數(shù)據(jù)，因此用插值法是可行的。

3.1.2 數(shù)據(jù)分段

為方便構(gòu)建決策樹，減少計(jì)算量，通過(guò)將不同的負(fù)荷狀態(tài)進(jìn)行分段，將負(fù)荷預(yù)測(cè)問題轉(zhuǎn)化為分類問題。例如，以功率1 000為區(qū)間單位長(zhǎng)度，對(duì)于遼寧省則分為10 000～30 000共計(jì)31個(gè)區(qū)間，也就是31類；黑龍江省為1 000～20 000共21個(gè)類別；內(nèi)蒙東部和吉林分為1 000～15 000共計(jì)16個(gè)類別；總負(fù)荷分為20 000～60 000共計(jì)41個(gè)類別。分類區(qū)間越短，預(yù)測(cè)精度越高，但準(zhǔn)確率也會(huì)下降。

3.2 實(shí)驗(yàn)設(shè)計(jì)

實(shí)驗(yàn)將分別對(duì)4個(gè)地區(qū)的電力負(fù)荷數(shù)據(jù)與東北電網(wǎng)總負(fù)荷數(shù)據(jù)集進(jìn)行驗(yàn)證，預(yù)測(cè)目標(biāo)為2019年上半年的電力負(fù)荷數(shù)據(jù)，輸入數(shù)據(jù)包括2018年全年的電力負(fù)荷數(shù)據(jù)，預(yù)測(cè)時(shí)間設(shè)為一天。對(duì)于改進(jìn)后的深度森林算法，若預(yù)測(cè)值與真實(shí)值的誤差絕對(duì)值小于分段區(qū)間的一半，則認(rèn)為預(yù)測(cè)結(jié)果正確，通過(guò)這種方法，可以統(tǒng)一以分類的準(zhǔn)確率為標(biāo)準(zhǔn)進(jìn)行比較。

對(duì)照實(shí)驗(yàn)設(shè)計(jì)如下：

1)k近鄰方法(KNN, k-nearest neighbor)：該方法是一種簡(jiǎn)單有效的分類聚類方法，能夠有效應(yīng)用于具有大量訓(xùn)練集的任務(wù)中并能夠取得不錯(cuò)的結(jié)果，在許多領(lǐng)域都有應(yīng)用，因此文中選擇該方法作為傳統(tǒng)機(jī)器學(xué)習(xí)的典型算法之一。

2)支持向量機(jī)(SVM)：支持向量機(jī)作為最常用的分類模型，在許多領(lǐng)域都驗(yàn)證了它的有效性和可靠性，其中的參數(shù)都使用交叉驗(yàn)證的方法調(diào)至最優(yōu)。通過(guò)與該方法進(jìn)行對(duì)比可以驗(yàn)證文中所提出方法的有效性。

3)隨機(jī)森林(RF, random forest)：深度森林的基礎(chǔ)模型，對(duì)于一些較為簡(jiǎn)單的問題往往能取得較好的分類效果。實(shí)驗(yàn)中隨機(jī)森林的參數(shù)設(shè)定與深度森林中單一森林的參數(shù)設(shè)定相同，可以驗(yàn)證深度森林這一集成思想的有效性。

4)棧式自動(dòng)編碼機(jī)(SAE, stacked autoencoder)：該方法是一種典型的深度特征學(xué)習(xí)方法，能夠有效提取數(shù)據(jù)特征。與該方法進(jìn)行對(duì)比，可以驗(yàn)證文中所提方法相對(duì)于傳統(tǒng)深度學(xué)習(xí)模型的優(yōu)勢(shì)。

5)多粒度級(jí)聯(lián)森林(gcForest)：針對(duì)電力負(fù)荷數(shù)據(jù)特點(diǎn)對(duì)改進(jìn)后的深度森林模型進(jìn)行有效性驗(yàn)證，將所提出方法與基本的gcForest模型進(jìn)行對(duì)比。參數(shù)設(shè)定與文中提出方法一致，只是窗口大小固定為192，步長(zhǎng)固定為48。

3.3 參數(shù)設(shè)置

文章對(duì)改進(jìn)的深度森林方法(DF)主要采用默認(rèn)的超參數(shù)設(shè)置，具體參數(shù)設(shè)置如表2所示。

表2 改進(jìn)的深度森林方法的超參數(shù)設(shè)置

3.4 實(shí)驗(yàn)結(jié)果

應(yīng)用深度森林算法對(duì)東北總電網(wǎng)的功率進(jìn)行預(yù)測(cè)，并于多種機(jī)器學(xué)習(xí)方法進(jìn)行對(duì)比，結(jié)果如表3所示。在分段區(qū)間大小為9 000時(shí)，改進(jìn)的深度森林方法取得了較好的預(yù)測(cè)結(jié)果。在縮小分段區(qū)間大小即提高預(yù)測(cè)精度要求的過(guò)程中，對(duì)比實(shí)驗(yàn)的準(zhǔn)確率會(huì)快速下降，而文章所提出的方法卻仍然能夠維持較高的準(zhǔn)確率，說(shuō)明改進(jìn)的深度森林方法能夠有效提升電力負(fù)荷預(yù)測(cè)的精度，驗(yàn)證了模型的有效性。

表3 東北總電網(wǎng)負(fù)荷預(yù)測(cè)結(jié)果

圖4為其他地區(qū)的電網(wǎng)數(shù)據(jù)上的實(shí)驗(yàn)結(jié)果。從圖中可以更加明顯地看出，當(dāng)預(yù)測(cè)精度要求不高時(shí)，傳統(tǒng)的機(jī)器學(xué)習(xí)方法與深度學(xué)習(xí)方法都能取得較高的準(zhǔn)確率，但是當(dāng)逐漸提高精度要求，傳統(tǒng)學(xué)習(xí)方法的準(zhǔn)確率會(huì)快速下降，難以取得較為準(zhǔn)確的預(yù)測(cè)結(jié)果。深度學(xué)習(xí)方法較傳統(tǒng)學(xué)習(xí)方法能夠獲得更好的特征，進(jìn)而能夠滿足更高的精度要求。而改進(jìn)的深度森林算法在分段區(qū)間較小時(shí)，能夠取得較為明顯的優(yōu)勢(shì)。當(dāng)預(yù)測(cè)精度范圍小于波動(dòng)范圍20%時(shí)，傳統(tǒng)的深度學(xué)習(xí)方法的準(zhǔn)確率已經(jīng)出現(xiàn)明顯下降，而文中所提出的方法在波動(dòng)范圍10%的精度要求下仍能維持較高的準(zhǔn)確率。

圖4 各地區(qū)電網(wǎng)負(fù)荷預(yù)測(cè)結(jié)果Fig.4 The accuracy of load forecasting

表4為深度算法模型的層數(shù)。相比于傳統(tǒng)的深度學(xué)習(xí)方法，深度森林由于不需要預(yù)設(shè)模型結(jié)構(gòu)，減少了超參數(shù)的設(shè)定，訓(xùn)練得到的模型能夠更加適合數(shù)據(jù)集，提升算法的效率與準(zhǔn)確度。而文中改進(jìn)了深度森林的多粒度窗口掃描方法，利用電力負(fù)荷預(yù)測(cè)方面的背景知識(shí)，在模型的第一層消除了大量信息密度較低的數(shù)據(jù)，進(jìn)一步提升了模型運(yùn)行的效率，加快模型收斂速度，減少時(shí)間開銷的同時(shí)也降低了對(duì)硬件的需求，在此驗(yàn)證了文中所提出的改進(jìn)的深度森林方法在電力負(fù)荷預(yù)測(cè)方面的有效性。

表4 深度模型層數(shù)對(duì)比

4 結(jié)束語(yǔ)

文章進(jìn)行了電力負(fù)荷預(yù)測(cè)技術(shù)的研究，針對(duì)深度學(xué)習(xí)算法參數(shù)多、收斂慢、數(shù)據(jù)量要求大的問題，將深度森林方法引入了電力短期負(fù)荷預(yù)測(cè)領(lǐng)域，并針對(duì)gcForest模型在電力負(fù)荷預(yù)測(cè)領(lǐng)域的不足對(duì)模型進(jìn)行改進(jìn)。選取中國(guó)東北三省以及內(nèi)蒙古東部的實(shí)際電網(wǎng)數(shù)據(jù)進(jìn)行驗(yàn)證，并與傳統(tǒng)機(jī)器學(xué)習(xí)模型進(jìn)行了對(duì)比，通過(guò)實(shí)驗(yàn)驗(yàn)證了所提出的負(fù)荷預(yù)測(cè)算法在短期電力預(yù)測(cè)方面的優(yōu)異性。