（1）电力负荷预测的重要性及挑战
电力负荷预测是电力系统运行的关键基础，精准的预测能够优化发电和配电计划，极大地减少能源不必要的损失，对电力系统的规划运行起着十分重要的作用。然而，在当前能源结构转型升级以及发展智能电网的大背景下，大规模的分布式能源并入电网，其具有强波动性和强随机性的负荷分布特点，这给负荷的预测工作带来了全新的挑战，使得短期电网负荷预测的难度不断加大。在实际的电力生产调度中，工作人员很难对电力负荷量进行准确的预测。

（2）基于 EEMD-KMEANS-BWO 优化神经网络的组合预测模型
本文以宁夏区域电网的电力负荷数据为研究对象，结合短期负荷预测流程，提出了一种新的组合预测模型。首先，利用集合经验模态分解（EEMD）对负荷数据进行分解，从而获取时序信号的数据特征。EEMD 能够有效地将复杂的负荷数据分解为多个相对简单的子序列，每个子序列代表了不同的频率成分。接着，使用 K-means 聚类算法对子序列进行划分类别，将不同数据的子序列划分成三类，分别为 IMFB1、IMFB2、IMFB3。K-means 聚类算法根据数据的相似性将数据分为不同的类别，有助于更好地理解数据的结构和特征。
对于高频类别的子序列 IMFB1，使用白鲸优化算法（BWO）优化的长短期记忆网络（LSTM）进行学习和预测。LSTM 网络在处理时间序列数据方面具有强大的能力，能够捕捉数据中的长期依赖关系。BWO 算法则可以优化 LSTM 网络的参数，提高预测的准确性。对于中频子序列 IMFB2，采用 BWO 优化的门控循环单元（GRU）进行预测。GRU 也是一种适用于时间序列预测的神经网络，与 LSTM 类似，但结构更加简单。BWO 同样可以对 GRU 的参数进行优化。对于低频子序列 IMFB3，进行 LR 拟合线性回归模型分等。线性回归模型在处理低频数据时具有一定的优势，可以快速地进行预测。最后，将三组子序列模型得到的最终预测结果进行加和，得到最终的预测数据。

（3）实证结果与分析
为了验证组合预测模型的有效性，设置了多个对照组进行比较。对照组包括单一预测模型（如 LSTM、GRU、反向传播神经网络（BPNN）、支持向量回归（SVR）、线性回归（LR））以及另一种组合预测模型 M1。M1 预测模型使用 EEMD 分解时序信号，后计算其样本熵的熵值，通过熵值的阈值大小对时序信号分为三类 IMFA1、IMFA2、IMFA3，最后对不同类别的子序列分别使用 BWO-LSTM、BWO-GRU 和 LR 拟合线性回归模型进行预测，并将结果加和得到预测数据。
实证结果表明，本文提出的组合预测模型 M2 与单一预测模型相比，大大提高了预测精度。与 BWO-LSTM 预测模型相比，所提出的模型提升度分别为 3.0281% 和 5.4323%，证明了分解聚类过程可以获得更加明显的数据特征，从而提升了预测的准确度。与样本熵阈值划分类别的混合模型（M1）相比，本文所提出的模型（M2）的平均绝对百分比误差（MAPE）与均方根误差（RMSE）的提升度分别为 1.0226% 和 1.2520%，这表明聚类方式不同，预测精度也会随之提升。本文的组合模型从一种新的组合方式上进一步提升了模型的预测效果，优化完善了电力预测模型，可应用于工程实际中，提升预测准确率，减少电能不必要的损耗。

% 加载数据
data = load('power_load_data.mat');

% 数据预处理
normalizedData = normalizeData(data.loadData);

% 划分训练集和测试集
trainData = normalizedData(1:end-100,:);
testData = normalizedData(end-99:end,:);

% 设置 LSTM 网络参数
numFeatures = size(normalizedData,2);
numHiddenUnits = 100;
numClasses = 1;

layers = [
    sequenceInputLayer(numFeatures)
    lstmLayer(numHiddenUnits)
    fullyConnectedLayer(numClasses)
    regressionLayer
];

% 训练 LSTM 网络
options = trainingOptions('adam',...
    'MaxEpochs',100,...
    'GradientThreshold',1,...
    'InitialLearnRate',0.005,...
    'LearnRateSchedule','piecewise',...
    'LearnRateDropPeriod',50,...
    'LearnRateDropFactor',0.2,...
    'Verbose',false,...
    'Plots','none');

net = trainNetwork(trainData,trainData,layers,options);

% 测试 LSTM 网络
predictions = predict(net,testData);

​​​​​​​