劉 輝，凌寧青，羅志強，孫志媛

（1.廣西大學(xué)電氣工程學(xué)院，廣西南寧 530004；2.廣西電網(wǎng)有限責任公司電力科學(xué)研究院，廣西南寧 530023）

0 引言

在大量分布式能源以及電動汽車等主動負荷因素的影響下，電網(wǎng)需求側(cè)呈現(xiàn)眾多不確定性，電網(wǎng)安全運行面臨嚴峻挑戰(zhàn)[1]。短期負荷預(yù)測是電網(wǎng)安全運行的關(guān)鍵環(huán)節(jié)。相似日選取是電網(wǎng)短期負荷預(yù)測的關(guān)鍵步驟[2]，實際上是對預(yù)測模型的輸入特征進行選擇[3]，充分挖掘相似日中蘊含的關(guān)鍵信息，是提升電網(wǎng)短期負荷預(yù)測精度的有效方式。

氣象因素對負荷變化的影響明顯[4]，因此通過氣象因素選取相似日可較好地反映負荷的相似性。文獻[5-6]通過考慮日特征氣象等因素選取相似日，但日特征氣象屬于粗粒度數(shù)據(jù)，難以反映氣象1 d 內(nèi)的變化，存在整體相似而局部不相似的情況，影響相似日選取。隨著計量儀器的進步，氣象監(jiān)測部門已能提前獲知未來日期的實時氣象數(shù)據(jù)，利用實時氣象數(shù)據(jù)選取相似日，能更好地反映每日氣象的變化規(guī)律[7]。文獻[7-8]將各實時氣象組合成混合氣象序列選取相似日，會造成選取相似日時的特征冗余，計算結(jié)果會受其他氣象因素影響，相似系數(shù)被“平均化”，影響相似日選取結(jié)果，且不同氣象因素對應(yīng)的相似日可能不同，不利于預(yù)測模型挖掘不同氣象因素的相似日信息。

人工智能方法具有較強的非線性數(shù)據(jù)擬合能力，是目前短期負荷預(yù)測的常用方法[9]。人工智能方法包括支持向量回歸（Support Vector Regression，SVR）[10]、卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Networks，CNN）[11]、時間卷積網(wǎng)絡(luò)（Temporal Convolutional Network，TCN）[12]、長短期記憶（Long Short-term Memory，LSTM）網(wǎng)絡(luò)[13]等。SVR 不能很好地考慮數(shù)據(jù)的時序特性，導(dǎo)致預(yù)測精度往往不夠理想。CNN 可通過卷積核的卷積操作實現(xiàn)特征映射，提取輸入特征的信息，實現(xiàn)特征融合[14]，TCN 是針對時序問題在CNN基礎(chǔ)上的改進，具有擴張因果卷積結(jié)構(gòu)，能提取間隔較長和非連續(xù)時序數(shù)據(jù)的特征信息[15]，在時序預(yù)測問題上特征提取的優(yōu)勢明顯。LSTM 網(wǎng)絡(luò)是一種專門處理時序問題的循環(huán)網(wǎng)絡(luò)，能有效學(xué)習(xí)時間序列的長期依賴關(guān)系[16]，在負荷預(yù)測中取得了良好的效果。

因此，本文提出一種基于TCN-LSTM 和氣象相似日集的電網(wǎng)短期負荷預(yù)測方法。從線性與非線性角度，用Pearson 系數(shù)和最大信息系數(shù)（Maximal Information Coefficient，MIC）分析負荷和氣象因素的相關(guān)性，選出與負荷相關(guān)性強的氣象因素；基于形態(tài)相似距離方法選取該氣象因素對應(yīng)的最佳相似日組成氣象相似日集，以氣象相似日集負荷、歷史負荷、氣象因素、時間因素作為預(yù)測模型的輸入特征；搭建TCN-LSTM 預(yù)測模型，通過中國某地區(qū)的實際歷史數(shù)據(jù)驗證所提方法的有效性。

1 氣象相似日集選取

1.1 相關(guān)性分析方法及原理

1.1.1 線性相關(guān)性分析

Pearson 相關(guān)系數(shù)是分析不同變量間線性相關(guān)性的常用方法，其計算公式為：式中：r為變量間的Pearson 相關(guān)系數(shù)；為變量F的平均值；為變量L的平均值；n為數(shù)據(jù)樣本大小。

當 |r|越大，說明相關(guān)性越強。通常而言[17]，當|r|≥0.6 表示強相關(guān)，|r|∈[0.4,0.6)表示中等程度相關(guān)，|r|∈[0.2,0.4)表示弱相關(guān)，|r|∈[0,0.2)表示極弱相關(guān)或無相關(guān)。

1.1.2 非線性相關(guān)性分析

MIC 可以衡量變量之間的非線性相關(guān)性。在一個數(shù)據(jù)集D中，沿數(shù)據(jù)集的坐標軸方向劃分區(qū)間，得到x×y個網(wǎng)格，二元數(shù)據(jù)集在每個網(wǎng)格的概率分布D|G，I(D|G)代表D|G的互信息。數(shù)據(jù)集D每個網(wǎng)格的最大標準化互信息組成特征矩陣M（D），矩陣元素如式（2）所示[18]：

由此可計算MIC，如式（3）所示：

其中，x與y的乘積需小于B(n)，一般B(n)=n0.6。MIC 的度量標準一般是通過比較MIC 值的大小來反映變量間的相關(guān)性，MIC 值越大，說明2 個變量的相關(guān)性越強。

1.2 負荷與氣象因素的相關(guān)性分析

為深入探究不同氣象因素對負荷的影響程度，需要對負荷與氣象因素進行相關(guān)性分析。因負荷在不同季節(jié)的變化規(guī)律不同，為全面衡量在不同季節(jié)氣象因素對負荷的影響，分別采用Pearson 相關(guān)系數(shù)與MIC 分析各個季節(jié)負荷與氣象因素的線性和非線性相關(guān)性。需要注意的是，由于本文收集到的氣象數(shù)據(jù)分辨率為1 h，而負荷數(shù)據(jù)分辨率為15 min，為使氣象數(shù)據(jù)與負荷數(shù)據(jù)相匹配，因而對氣象數(shù)據(jù)進行線性插值，得到分辨率為15 min 的氣象數(shù)據(jù)[19]。各季節(jié)的時間劃分為春季3—5 月、夏季6—8 月、秋季9—11 月、冬季12—2 月[20]。選取中國某地區(qū)2011 年3 月至2012 年2 月的負荷和氣象數(shù)據(jù)進行分析計算，主要考慮4 個氣象因素：溫度（攝氏度）、濕度（%）、降雨（mm/h）、風(fēng)速（m/s）。F=[F1,F2,...,Fn]代表各個氣象因素，L=[L1,L2,...,Ln] 代表負荷，其計算結(jié)果如表1 和表2 所示。

表2 負荷與氣象因素的非線性相關(guān)結(jié)果Table 2 Nonlinear correlation analysis between load and meteorological factors

由表1 可知，在春季，溫度和濕度的 |r|在[0.4-0.6]之間，說明負荷與溫度存在中等程度相關(guān)。在夏季，溫度和濕度的 |r|均大于0.6，說明與負荷存在強相關(guān)。在秋季，溫度的 |r|大于0.6，說明負荷與溫度存在強相關(guān)；濕度的 |r|處于[0.2-0.4）之間，與負荷存在弱相關(guān)，但明顯大于降雨和風(fēng)速的 |r|。在冬季，溫度和濕度的 |r|在[0.2-0.4）之間，說明與負荷存在弱相關(guān)，但明顯大于降雨和風(fēng)速的 |r|。在四季，降雨和風(fēng)速的 ||r均處在[0-0.2）之間，說明與負荷存在極弱相關(guān)或無相關(guān)。綜合各個季節(jié)的分析結(jié)果，相對于降雨和風(fēng)速，負荷與溫度和濕度具有更強的線性相關(guān)性。

表1 負荷與氣象因素的線性相關(guān)結(jié)果Table 1 Linear correlation analysis between load and meteorological factors

由表2 可知，在春、夏和秋季，溫度和濕度的MIC 均遠大于降雨和風(fēng)速的MIC，說明相對于降雨和風(fēng)速，負荷與溫度和濕度的非線性相關(guān)性更強。在冬季，溫度和濕度的MIC 雖比春、夏和秋季的MIC 小，但仍然大于降雨和風(fēng)速的MIC，說明相對于降雨和風(fēng)速，負荷與濕度的非線性相關(guān)性更強。綜合各個季節(jié)的分析結(jié)果，相對于降雨和風(fēng)速，負荷與溫度和濕度具有更強的非線性相關(guān)性。

綜上所述，根據(jù)線性和非線性的相關(guān)性分析結(jié)果，表明了負荷與溫度和濕度具有更強的相關(guān)性。

1.3 氣象相似日集選取

一般而言，日負荷曲線在工作日和休息日（周末和節(jié)假日）這2 種類型日差別較大。對同種類型日，在氣象條件相似的日期，其負荷曲線和負荷大小也會有一定的相似性。因此，根據(jù)負荷與氣象因素的相關(guān)性分析結(jié)果，由溫度和濕度這2 個氣象因素選取對應(yīng)的最佳相似日，組成氣象相似日集。如果溫度和濕度選取的最佳相似日為同1 d，則取溫度的第二相似日與最佳相似日組成氣象相似日集。

形態(tài)相似距離是一種評估序列數(shù)據(jù)相似性的方法，它可從序列數(shù)據(jù)大小和序列數(shù)據(jù)形狀2 個角度對序列數(shù)據(jù)的相似性進行評估[21]。故本文通過形態(tài)相似距離，選取待預(yù)測日的氣象相似日集，其定義如下：

式中：Li為待預(yù)測日的實時氣象序列；Lj為歷史日的實時氣象序列；lik為序列Li的第k個元素；ljk為序列Lj的第k個元素；DEuclid為2 個序列的歐式距離；ASD為2 個序列各數(shù)值差之和的絕對值；SAD為2 個序列的曼哈頓距離；D(Li,Lj)為2 個序列的形態(tài)相似距離，形態(tài)相似距離最小的歷史日，即為最佳相似日。

考慮到“近大遠小”原則，即負荷與歷史時段中越近期的信息更相關(guān)[22]，因此在待預(yù)測日的前10 個同類型日的范圍內(nèi)進行相似日搜索。

2 TCN-LSTM預(yù)測模型

2.1 TCN原理

TCN 是在CNN 基礎(chǔ)上的改進網(wǎng)絡(luò)，具有獨特的擴張因果卷積結(jié)構(gòu)，更適用于解決時序問題。擴張卷積可對上一層的輸入進行擴張采樣，能提取間隔較長和非連續(xù)時序數(shù)據(jù)的特征信息。因果卷積可保證提取特征信息的因果性，t時刻的輸出yt只能依賴于t時刻之前的輸入x0～xt-1[23]。對于卷積核大小為2，擴張系數(shù)d分別為1，2，4 的TCN，其擴張因果卷積結(jié)構(gòu)如圖1 所示。計算公式參見文獻[23]，受篇幅影響，此處不再贅述。

圖1 TCN的擴張因果卷積結(jié)構(gòu)Fig.1 Dilated causal convolution structure of TCN

2.2 LSTM網(wǎng)絡(luò)原理

LSTM 網(wǎng)絡(luò)是在循環(huán)神經(jīng)網(wǎng)絡(luò)基礎(chǔ)上的改進網(wǎng)絡(luò)，其記憶單元結(jié)構(gòu)如圖2 所示。其中，tanh 和σ為激活函數(shù)，xt和ht為當前記憶單元的輸入和輸出，Ct為當前細胞狀態(tài)。

圖2 LSTM的記憶單元結(jié)構(gòu)Fig.2 Structure of LSTM memory unit

LSTM 網(wǎng)絡(luò)在隱藏層單元中設(shè)計了遺忘門、輸入門和輸出門，并加入了存儲信息的細胞狀態(tài)功能，可學(xué)習(xí)時序數(shù)據(jù)中長時間尺度和短時間尺度的信息，有效緩解了訓(xùn)練時梯度消失的問題[24-25]。LSTM 網(wǎng)絡(luò)各個門結(jié)構(gòu)的計算公式參見文獻[24]，受篇幅影響，此處不再贅述。

2.3 TCN-LSTM預(yù)測模型框架

由于TCN 具有擴張因果卷積結(jié)構(gòu)，擁有突出的特征提取能力[26]，因此可對原始特征進行融合獲得高維的抽象特征，加強了對特征信息的挖掘。而LSTM 網(wǎng)絡(luò)具有強大的時序預(yù)測能力[27]，將TCN 和LSTM 網(wǎng)絡(luò)結(jié)合，通過TCN 特征提取后輸入至LSTM 網(wǎng)絡(luò)，提高了LSTM 網(wǎng)絡(luò)記憶單元的處理效率，使得預(yù)測模型更有效地學(xué)習(xí)時間序列的復(fù)雜交互關(guān)系。因此，本文搭建了TCN-LSTM 短期負荷預(yù)測模型，模型框架如圖3 所示。

圖3 TCN-LSTM預(yù)測模型框架Fig.3 TCN-LSTM forecasting model framework

圖3 中，TCN 的層數(shù)為1，卷積核個數(shù)為32，卷積核大小為2，擴張系數(shù)d分別為1，2，4，其余參數(shù)為默認參數(shù)；LSTM 網(wǎng)絡(luò)的層數(shù)為1，神經(jīng)元個數(shù)為32，激活函數(shù)為relu。模型優(yōu)化器選用Adam，學(xué)習(xí)率設(shè)為0.001，損失函數(shù)選用mae，迭代次數(shù)設(shè)為40次，batchsize 設(shè)為128。LSTM 網(wǎng)絡(luò)后面接1 層全連接層，神經(jīng)元數(shù)為1，代表1 個時刻的負荷預(yù)測值，連續(xù)預(yù)測96 個時刻的負荷值，從而得到1 d 的預(yù)測結(jié)果。

3 電網(wǎng)短期負荷預(yù)測建模

3.1 數(shù)據(jù)預(yù)處理

由于負荷和氣象的數(shù)據(jù)量綱不同，為了避免數(shù)據(jù)不同量綱對模型訓(xùn)練的影響，用線性函數(shù)歸一化方法將原始數(shù)據(jù)轉(zhuǎn)換到[0，1]范圍，如式（5）所示：

式中：xnor為歸一化后的值；xo為待歸一化的值；xmax和xmin分別為數(shù)據(jù)中的最大值和最小值。

得到模型的輸出結(jié)果后，通過式（6）對輸出結(jié)果進行反歸一化處理，得到最終負荷預(yù)測值。

3.2 輸入特征

本文預(yù)測模型的輸入特征由以下4 部分組成（以待預(yù)測日的t時刻為例）。

1）考慮氣象相似日的影響，選取待預(yù)測日對應(yīng)的溫度最佳相似日t時刻和濕度最佳相似日t時刻的負荷值作為氣象相似日特征。

2）考慮到負荷曲線具有日周期特性和自回歸特性，選取待預(yù)測日前3 天t時刻的負荷作為歷史負荷特征。

3）考慮氣象因素對負荷的影響，根據(jù)負荷與氣象因素相關(guān)性分析結(jié)果，溫度和濕度與負荷具有更強相關(guān)性。溫濕指數(shù)THI可以體現(xiàn)溫度和濕度兩者的耦合作用，其定義參見文獻[7]。因此，選取t時刻的溫度、濕度和溫濕指數(shù)作為氣象特征。

4）考慮時間因素對負荷的影響，待預(yù)測日t時刻的負荷與季節(jié)類型SZ、類型日DM以及所處每天的時間點TN有關(guān)。SZ=，Z=[1,2,3,4]，其中1，2，3，4 分別代表春、夏、秋、冬4 個季節(jié)。DM=，M=[1,2]，1 為休息日，2 為工作日。TN=N=[1,2,...,96]，代表每天96 個時間點。因此，選取SZ，DM和TN作為時間特征。

本文預(yù)測模型的輸入特征如表3 所示。

表3 本文預(yù)測模型的輸入特征Table 3 The input features of the proposed method

為滿足模型的數(shù)據(jù)輸入要求，采用滑動時間窗對數(shù)據(jù)進行劃分，其中時間步長設(shè)為32，數(shù)據(jù)輸入形式如式（7）和式（8）所示：

式中：Xt為第t時刻滑動時間窗的輸入；m為輸入的特征個數(shù)；X為預(yù)測時刻的輸入；Y為預(yù)測時刻的輸出。

3.3 電網(wǎng)短期負荷預(yù)測流程

本文方法的預(yù)測流程圖如圖4 所示，包含如下步驟：

圖4 本文方法的流程圖Fig.4 Flowchart of the proposed method

1）數(shù)據(jù)收集與數(shù)據(jù)預(yù)處理。收集歷史負荷和氣象數(shù)據(jù)，對氣象數(shù)據(jù)進行插值處理，對負荷和氣象數(shù)據(jù)進行線性函數(shù)歸一化處理，最后劃分訓(xùn)練樣本集和測試樣本集。

2）選取氣象相似日集。通過Pearson 系數(shù)和MIC 分析負荷與氣象因素的線性和非線性相關(guān)性，選出相關(guān)性強的氣象因素，并用形態(tài)相似距離選取各強相關(guān)性氣象因素的最佳相似日，組成氣象相似日集。

3）構(gòu)建輸入特征。取氣象相似日集的負荷值，與歷史負荷、氣象因素和時間因素一同作為預(yù)測模型的輸入特征。

4）模型訓(xùn)練。搭建TCN-LSTM 預(yù)測模型，設(shè)好模型各參數(shù)后，訓(xùn)練模型，并保存最佳訓(xùn)練模型。

5）模型預(yù)測。用測試集在最佳訓(xùn)練模型進行測試，對輸出結(jié)果進行反歸一化處理，得到負荷預(yù)測值。

4 算例分析

為驗證本文所提方法的有效性，用中國某地區(qū)2010 年1 月31 日至2012 年12 月31 日的實際數(shù)據(jù)進行驗證，數(shù)據(jù)的采樣間隔為15 min，即每天采樣96 個時間點。

4.1 實驗配置和評價指標

本文實驗配置是CPU 為Core i7-10700，內(nèi)存為16 GB，操作系統(tǒng)為Windows 10 的計算機，基于Tensorflow 的keras 深度學(xué)習(xí)框架編寫仿真程序。為了評估預(yù)測效果，選用平均絕對百分比誤差（Mean Absolute Percent Error，MAPE）和平均絕對誤差（Mean Absolute Error，MAE）對預(yù)測結(jié)果進行評價，其量值分別為EMAP和EMA。MAPE 和MAE 的值越小，表明預(yù)測效果越好。

4.2 氣象相似日集選取

本文以2012 年8 月1 日為待預(yù)測日進行氣象相似日選取，分別采用實時溫度序列、實時濕度序列和混合氣象序列選取對應(yīng)的最佳相似日，對應(yīng)的日期分別為2012 年7 月20 日、2012 年7 月19 日和2012 年7 月31 日，最佳相似日的負荷曲線如圖5 所示。

圖5 最佳相似日的負荷曲線Fig.5 Load curve for optimum similarity day

由圖5 可知，從負荷曲線形狀上看，2012 年7月20 日的負荷曲線最貼近待預(yù)測日2012 年8 月1日的負荷曲線。進一步通過形態(tài)相似距離計算各最佳相似日負荷序列與待預(yù)測日負荷序列的距離值，評價選取結(jié)果，如表4 所示。

表4 最佳相似日比較Table 4 Comparisons of optimum similarity day

由表4 可知，與混合氣象序列相比，由實時溫度序列和實時濕度序列選取的最佳相似日的形態(tài)相似距離更小，選取的相似日更相似，說明相比于混合氣象序列，用單一氣象序列選取相似日能夠避免其他氣象因素的干擾，得到更好的相似日結(jié)果。

4.3 考慮氣象相似日集的算例分析

對2012 年8 月1 日這1 天的負荷進行預(yù)測，選取2010 年1 月31 日至2012 年8 月1 日前1 天的數(shù)據(jù)作為訓(xùn)練集，選取訓(xùn)練集20%的數(shù)據(jù)作為測試集。為驗證考慮氣象相似日集在負荷預(yù)測中的優(yōu)越性，與方法1 和方法2 進行對比分析。方法1的輸入特征未考慮氣象相似日特征，共9 個特征；方法2 的輸入特征中的氣象相似日特征，是由溫度和濕度組成混合氣象序列選取對應(yīng)最佳相似日的負荷值，共10 個特征。預(yù)測結(jié)果如圖6 所示。由圖6 可知，本文方法的負荷預(yù)測曲線更貼近實際負荷曲線，說明本文方法的預(yù)測效果更理想。進一步計算MAPE 和MAE 指標，結(jié)果如表5 所示。

圖6 不同方法的預(yù)測曲線Fig.6 Forecasting curve with different methods

表5 不同方法的預(yù)測結(jié)果Table 5 Forecasting results of different methods

由表5 可知，與方法1 相比，方法2 和本文方法的EMAP和EMA均更小，說明在輸入特征中考慮氣象相似日特征能提升負荷預(yù)測精度。與方法2 相比，本文方法的EMAP和EMA分別下降了0.41%和38.59 MW，說明考慮氣象相似日集的影響在負荷預(yù)測中更具優(yōu)勢，能進一步提升負荷預(yù)測精度。

為進一步驗證所提方法的普適性，對2012 全年進行日前負荷預(yù)測，選取2010 年1 月31 日至2011 年12 月31 日的數(shù)據(jù)作為訓(xùn)練集，選取訓(xùn)練集20%的數(shù)據(jù)作為測試集。預(yù)測結(jié)果如表6 所示。

表6 2012全年不同方法的預(yù)測結(jié)果Table 6 Forecasting results of different methods in 2012

由表6 可知，與方法1 和方法2 相比，本文方法的EMAP和EMA最小，表明在負荷預(yù)測中考慮氣象相似日集作為輸入特征能充分挖掘不同氣象相似日的信息，可更好地體現(xiàn)不同氣象相似日對負荷預(yù)測的影響，有利于提升負荷的預(yù)測精度。

4.4 不同模型的算例對比分析

為驗證本文TCN-LSTM 預(yù)測模型的有效性，與不同預(yù)測模型進行對比。對比模型的參數(shù)設(shè)置如下：SVR 預(yù)測模型通過調(diào)用sklearn 包，參數(shù)均為默認參數(shù)；LSTM 網(wǎng)絡(luò)預(yù)測模型的LSTM 隱藏層數(shù)為1，神經(jīng)元個數(shù)為32；CNN-LSTM 預(yù)測模型由1 層卷積層、1 層池化層和1 層LSTM 層組成，卷積核個數(shù)為32，卷積核大小為2，池化層大小為2，LSTM 層神經(jīng)元個數(shù)為32。用這4 個預(yù)測模型對2012 全年做日前負荷預(yù)測，選取2010 年1 月31 日至2011年12 月31 日的數(shù)據(jù)作為訓(xùn)練集，選取訓(xùn)練集20%的數(shù)據(jù)作為測試集。2012 全年不同模型的預(yù)測結(jié)果如表7 所示。

表7 2012全年不同模型的預(yù)測結(jié)果Table 7 Forecasting results of different models in 2012

由表7 可知，與SVR，LSTM，CNN-LSTM 預(yù)測模型相比，TCN-LSTM 預(yù)測模型的EMAP分別下降了2.13%，0.33%，0.21%，EMA分別下降了143.39 MW，28.92MW，18.84 MW，TCN-LSTM 預(yù)測模型的預(yù)測效果更好，表現(xiàn)出較好的普適性。為直觀了解預(yù)測結(jié)果，從2012 年每個季節(jié)隨機選取連續(xù)1 周的結(jié)果進行展示分析，結(jié)果如圖7 所示，受篇幅影響，此處僅展示夏季的預(yù)測結(jié)果。

圖7 不同模型在夏季的預(yù)測曲線Fig.7 Forecasting curve of different models in summer

由圖7 可知，TCN-LSTM 預(yù)測模型的負荷預(yù)測曲線更貼近實際負荷曲線，特別是在峰谷時段，說明TCN-LSTM 預(yù)測模型具有更好的預(yù)測效果。進一步計算MAPE 和MAE 指標，結(jié)果如表8 所示，其中春季為2012-03-11 至2012-03-17；夏季為2012-06-14 至2012-06-20；秋季為2012-10-20 至2012-10-26；冬季為2012-12-08 至2012-12-14。

表8 不同模型在不同季節(jié)的預(yù)測結(jié)果Table 8 Forecasting results for different models in different seasons

由表8 可知，在不同季節(jié)，TCN-LSTM 預(yù)測模型的EMAP和EMA均比SVR，LSTM，CNN-LSTM 預(yù)測模型的小，表明TCN-LSTM 預(yù)測模型在不同季節(jié)的預(yù)測效果均優(yōu)于其它預(yù)測模型，季節(jié)魯棒性更強，具有良好的穩(wěn)定性。

5 結(jié)論

為進一步提升電網(wǎng)短期負荷預(yù)測的精度，本文提出了一種基于TCN-LSTM 和氣象相似日集的電網(wǎng)短期負荷預(yù)測方法。主要結(jié)論如下：

1）考慮氣象相似日集作為預(yù)測模型的輸入特征，可以充分挖掘不同氣象相似日蘊含的信息，有利于提升短期負荷預(yù)測精度。

2）TCN-LSTM 預(yù)測模型組合了TCN 和LSTM網(wǎng)絡(luò)的特點，通過TCN 進行特征提取后輸入至LSTM 網(wǎng)絡(luò)，加強了對特征信息的挖掘，得到了更好的預(yù)測效果。

本文提供的數(shù)據(jù)集有限，可能存在所提預(yù)測模型在某些數(shù)據(jù)集中的預(yù)測結(jié)果不是最理想的，因而組合不同預(yù)測模型的預(yù)測結(jié)果可能有助于提高負荷預(yù)測精度，這值得進一步研究。此外本文的預(yù)測形式為點預(yù)測，后續(xù)可進一步應(yīng)用到區(qū)間預(yù)測和概率預(yù)測，為調(diào)度決策提供更豐富的不確定性信息。