电力负荷预测对电网的安全、可靠和经济运行具有重要意义。影响电力负荷变化的因素众多,大致可以分为自然因素和社会因素两大类。由于各种因素相互耦合并且多变,对负荷的影响机理复杂,因此电力负荷变化呈现出一定的随机性。任何一个电力负荷预测模型都会有一定的误差,如何提高预测精度、减小预测误差一直是科研工作者的研究热点。针对以往预测方法建立的模型存在预测精度低、鲁棒性差、受噪声影响大、易陷入局部最优、泛化能力不足和无法考虑诸多负荷影响因素等问题,结合电力负荷的变化特点,本文将深度学习和相关向量机应用到短期电力负荷预测中,在对预测模型进行深入研究的基础上改进了单一预测模型,使电力负荷预测的精度进一步提高,取得了较为满意的电力负荷预测结果。本文分析了影响电力负荷变化的主要因素,研究了日平均负荷的周期性变化特点。首先通过时间序列法,利用BP神经网络对未来一段时间日平均气温进行粗略预测。然后以电力负荷的主要影响因素作为预测模型输入量,日平均负荷作为模型的输出量,建立了基于DBN的短期电力负荷预测模型和基于RVM的短期电力负荷预测模型,分别在计及气温、不计及气温的条件下通过上述两种模型进行短期电力负荷预测。针对以往短期电力负荷预测模型的各种不足以及单一算法模型负荷预测精度受气温预测精度影响大等弊端,提出了一种新的基于DBN-RVM融合算法的短期电力负荷预测模型。首先该融合算法模型利用相关向量机的方法建立电力负荷周期变化的通用模型。然后利用深度置信网络建立通用模型的预测误差补偿模型,通过预测误差补偿模型补偿通用模型的预测误差从而实现电力负荷的高精度预测。将单一算法模型和融合算法模型的预测结果进行对比,在计及气温和不计及气温条件下,基于DBN模型的预测结果平均相对误差分别为4.22%和5.23%,基于RVM模型的预测结果平均相对误差分别为3.43%和1.76%。基于DBN-RVM融合算法模型的预测结果平均相对误差分别为1.63%和1.55%。结果表明,基于DBN-RVM的融合算法模型大大提高了短期负荷预测精度,在计及气温和不计及气温的条件下均能实现对短期电力负荷的高精度预测,该融合算法模型减小了对气温预测精度的依赖,削弱了负荷影响因素中一些随机噪声对电力负荷预测的影响,提高了模型的鲁棒性、适用性和可靠性,是进行短期电力负荷预测的一种新型、实用的方法。图[31]表[15]参[49]