摘 要：
电力作为社会发展和人民幸福生活不可或缺的能源，在需求与日俱增的今天，其稳定的供给离不开准确的预测，而科技的发展带来的生产多样化、全球气候因过度污染而导致的复杂多变、不确定性社会因素等均影响着电力负荷系统的预测，作为电力系统实时规划调度、内部机组维修、制定运营计划的重要依据，传统的预测模型难以满足不同区域的动态负荷变化。
本文尝试建立时序模型、机器学习模型、深度学习模型以及各种组合模型来预测不同周期下的电力负荷，以期提高预测精度，有效实现电网运行的经济效益和社会效益双丰收。
针对问题一（1），采用了Prophet、RF、XGBoost、BP、DNN以及DNN-RF组合模型对短期电力负荷进行预测。首先基于线性插值法和负荷的年周期性填补缺失值，并对可能存在的水平、垂直异常点进行平滑修正；考虑对负荷的影响，选择了3个日期因素（小时、月、是否周末）以及4期历史负荷因素，建立预测模型，根据“预测误差平方和倒数法”建立组合模型，实验表明，DNN-RF组合模型优于其它单一模型，在短期电力负荷预测中精度最高，MAPE仅0.436%；而Prophet模型既耗时拟合又欠佳，不宜用于大规模的时序建模。
针对问题一（2），采用RF、XGBoost、DNN以及三者的组合模型对中期电力负荷及其最值进行预测。XGBoost-RF-DNN组合模型在验证集三个月整体的误差最小，MAPE为0.718%，DNN对负荷的最大值拟合较好，MAPE最小为0.737%；XGBoost对负荷的最小值拟合较好，MAPE最小为1.479%，所有模型对最大值的拟合能力优于对最小值的拟合能力，说明对于高位点的电力负荷预测效果更佳。
针对问题二（1），本文基于Mann-Kendal突变检验、Pettitt检验、Buishand U test以及Standard Normal Homogeneity Test (SNHT)四种方法对各个行业的负荷最值进行检测，结合图像选出最明显突变点进行突变量级划分和原因探究，保证突变点被充分检测的同时也选出全局突变最显著的时间点。对于突变量级的划分，根据均值变异性原理结合相关系数对突变程度进行定级，充分保证了量级划分的合理性和准确性。
针对问题二（2），对各行业日负荷最值的预测，本文所选模型无法得出较优的拟合结果，可能原因有二，一是数据本身的波动性，二是模型本身的局限性。
在最后，本文提出了可行的模型尝试结果——CEEMDAN-SE-XGBoost，即考虑CEEMDAN分解结合样本熵的XGBoost短期、中期电力负荷预测，拟合效果优于单一的模型和纯预测模型组合的效果，后期可以展开更详细的研究，以期有效提升精度。
关键词：电力负荷预测；DNN；RF；XGBoost；组合模型；突变；CEEMDAN-SE-XGBoost