基于遷移學習和GRU網絡的新建小區負荷預測

孫志翔，丁 彬，孫曉燕

（1.國網江蘇省電力有限公司 連云港供電分公司，江蘇 連云港 222000；2.中國礦業大學信息與控制工程學院，江蘇 徐州 221116）

0 引言

目前,在國家電網公司所轄范圍內，己經投入運行的配電變壓器的總容量約為35億kVA，如此大規模的配電變壓器造成的電能損耗約為30～50 TWh/a，約占全電網中總發電量的3%和總損耗的30%。配電變壓器損耗居高不下的原因有很多，例如延用高損配電變壓器、過載、輕載、負荷不平均、功率區數低等，都會造成配電變壓器能耗的增加等。配電變壓器長期在輕載甚至空載狀態下運行，大大影響了變壓器的運行效率。全電網范圍內輕載運行的配電變壓器數量并不少，是供電企業節能降損工作的重點之一。所以，需要根據配電變壓器的技術參數，結合不同時期的用電量與負載情況，加強對這些變壓器的運行管理，確定其經濟運行方式，以達到節約電能的目的。

變壓器容量與負荷密切相關，要測算可釋放的變壓器容量，首先需預測已投入使用變壓器及擬使用可釋放容量變壓器的新建小區的用電負荷。負荷預測在電力系統的規劃和運行中起著重要作用。根據預測時間的不同，負荷預測可以分為4類：超短期負荷預測、短期負荷預測、中期負荷預測和長期負荷預測。

近年來，隨著深度學習的發展，長短期記憶（long?short term memory，LSTM）網絡在負荷預測中得到了成功應用。文獻［1］提出了一種基于卷積神經網絡和LSTM網絡融合的負荷預測方法，并應用于孟加拉國電力系統，對電力負荷進行短期預測。……