概述
负荷预测是指在充分考虑一些重要的系统运行特点、增容决策、自然条件和社会影响的条件下，研究出一套可以用系统处理过去与未来负荷的数学方法，在满足一定精度要求的前提下，确定某特定时刻的负荷值。
无论是传统的预测方法还是现代的预测方法，都是在获得预测对象的历史变化规律后，将这种规律延伸以预测未来。理论上讲，负荷预测的数学理论核心是如何获得预测对象的历史变化规律及其与所受某些主要因素影响的关系。预测模型实际上是表述这种变化规律的数学函数。建立良好的数学模型可以减小预测误差、提高预测精度，是预测人员关注的核心问题。在电力系统发展规划阶段，如果负荷预测结果偏低，将会导致系统的规划装机容量、输电规划等无法满足社会的用电需求，甚至还可能产生缺电；如果负荷预测结果偏高，则会导致一些发电、输电设备投入系统后的运行效率不高，从而引起投资的浪费。提高负荷预测的精度是电力系统规划和运行的必然要求。众多学者不遗余力地进行负荷预测的研究。其主要的出发点大都是以更为先进的理论为基础来改进预测的准确性。
智能电网环境下的电力负荷预测部分需要迎合智能电网的特性，应该对相关环境的变更具有自适应性，且和相关的智能信息流进行互动结合预测，这就需要电力负荷预测技术具有更强的智能特性，即在智能电网环境下进行自适互动智能电力预测技术的研究。
技术原理
（1）单耗法
根据计划产品数量和用电单耗来推算年用电量，比较适用于有单耗指标的工业和部分农业负荷，是预测有单耗指标的工业和部分农业用电量的一种直接有效的方法。
预测时，可依据规划城市的经济社会发展状况规划目标，利用规划期各年份的工业农业产值指标和主要工业产量规划指标，通过对过去国民经济各部门在各种产品生产过程中的单位产品耗电量、亿元产值耗电量经过统计，并根据产业结构调整，找出一定的规律，得出各种产品和产值的综合单耗。然后按国民经济各部门编制的发展规划的产品产量指标及经济指标，按单耗进行预测。单耗法的优点是：方法简单，对短期负荷预测效果较好。缺点是：需做大量细致的调研工作，也不够准确。
负荷性质主要有高耗能、扬水负荷、电气化铁路负荷、建材负荷、造纸及日常的工农业用电负荷组成。而采用单耗法的行业一般有高耗能、建材及造纸业，这种方法推算出的年用电量基本与该行业的实际负荷相吻合。
（2）弹性系数法
电力弹性系数是地区总用量平均年增长率与工农业总产值平均增长率的比值，是反映电力发展与国民经济发展之间关系的一个宏观指标。
k =Vw/V Wh=(1+kv) nWo
式中：Wo、Wh———计算期初、期末用电量；
K———电力弹性系数；
V———国内生产总值平均增长速度；
Vw———用电量平均增长速度；
n———规划年限。
一般来说，电力工业适度超前发展，就是电力弹性系数应大于1 ，但是由于电力弹性系数是根据地区负荷结构、性质，并对历史资料及各类用电比重发展趋势加以分析后慎重确定的。因此，弹性系数法一般用于校核中期或远期的宏观负荷预测。
（3）趋势外推法
当电力负荷依时间变化呈现某种上升或下降的趋势，并且无明显的季节波动，又能找到一条合适的函数曲线反映这种变化趋势时，就可以用时间t 为自变量，时序数值y 为因变量，建立趋势模型y=f(t)。当有理由相信这种趋势能够延伸到未来时，赋予变量t 所需要的值，可以得到相应时刻的时间序列未来值。这就是趋势外推法。外推法有线性趋势预测法、对数趋势预测法、二次曲线趋势预测法、指数曲线趋势预测法、生长曲线趋势预测法。趋势外推法的优点是：只需要历史数据，所需的数据量较少。缺点是：如果负荷出现变动，会引起较大的误差。
（4）负荷密度法
负荷密度是每km2 的平均负荷数值。一般并不直接预测整个城市的负荷密度，而是按城市区域或功能分区。首先计算现状和历史的分区负荷密度，然后根据地区发展规划对各分区负荷发展的特点，推算出各分区各目标年的负荷密度预测值；至于分区中的少数集中用电的大用户，在预测时可另作点负荷单独计算。在使用负荷密度法时，要考虑到预测地区的经济社会和电力负荷常有随同某种因素而不连续（跳跃式）发展的特点。因此，负荷密度法是一种比较直观的方法，使用时必须谨慎。
（5）神经网络法
神经网络是由大量的简单神经元组成的非线性系统，每个神经元的结构和功能都比较简单，而大量神经元组合产生的系统行为却非常复杂；它具有较强的学习能力、计算能力、变结构适应能力、复杂映射能力、记忆能力、容错能力及各种智能处理能力。目前，研究和应用最多的是以下四种基本模型和它们的改进模型，即Hopfield 神经网络、多层感知器、自组织神经网络和概率神经网络。
在电力系统负荷预报中，应用最多的是带有隐层的前馈型神经网络，它通常由输入层、输出层和若干隐层组成。对多层感知器，误差反传训练算法（BP 算法）是目前最简单、最实用的一种，实质是一梯度算法。其将各种有关的数据作为输入，通过历史样本的训练收敛后便可以进行预测了。
优点是：（1）可以模仿人脑的智能化处理；（2）对大量非结构性、非精确性规律具有自适应功能；（3）具有信息记忆、自主学习、知识推理和优化计算的特点。缺点是：（1）初始值的确定无法利用已有的系统信息，易陷于局部极小的状态；（2）神经网络的学习过程通常较慢，对突发事件的适应性差。
（6）时间序列法
就是根据负荷的历史资料，设法建立一个数学模型，用这个数学模型一方面来描述电力负荷这个随机变量变化过程的统计规律性；另一方面在该数学模型的基础上再确立负荷预测的数学表达式，对未来的负荷进行预测。时间序列法主要有自回归AR(p)、滑动平均MA(q)和自回归与滑动平均ARM(p，q)等。这些方法的优点是：所需历史数据少、工作量少。缺点是：没有考虑负荷变化的因素，只致力于数据的拟合，对规律性的处理不足，只适用于负荷变化比较均匀的短期预测的情况。扬水负荷预测适用于此类方法，扬水一般受季节变化影响比较明显，而且负荷比较平稳。
（7）回归分析法
回归预测是根据负荷过去的历史资料，建立可以进行数学分析的数学模型。用数理统计中的回归分析方法对变量的观测数据统计分析，从而实现对未来的负荷进行预测。回归模型有一元线性回归、多元线性回归、非线性回归等回归预测模型。
其中，线性回归用于中期负荷预测。优点是：预测精度较高，适用于在中、短期预测使用。缺点是：（1）规划水平年的工农业总产值很难详细统计；（2）用回归分析法只能测算出综合用电负荷的发展水平，无法测算出各供电区的负荷发展水平，也就无法进行具体的电网建设规划。
（8）人均电量法
主要根据地区人口和每个人口平均年用电量来推算年用电量，城市生活用电可按每户或每人的平均用电量来推算，工业和非工业等分类用户的用电量可按每单位设备装接容量的平均用电量来推算。对于现在和历史的综合用电水平可通过资料分析和典型调查取得；对于将来各目标年的人口、户数、设备装接容量的预测值，可通过城市规划部门和用户的资料信息或用外推法。同时，各目标年的综合用电水平还可参照国内外同类型城市的数据或用外推测算。目前，我们对中小用户的负荷多采用此类方法。
（9）支持向量机
支持向量机(SVM)方法是建立在统计学习理论上的一种预测方法，SVM 是基于结构风险最小化原则的新型机器学习方法，应用SVM 方法进行短期负荷预测比传统方法有更高的计算精度，且充分考虑了影响负荷的各种因素，是一种很有价值的新方法；SVM 方法具有坚实的数学理论基础，收敛速度相对较快，能找到全局最优解等特点。SVM 方法的不足之处是由于存贮需求量大，编程困难，实际应用较难，而且不能确定数据中的知识是否冗余，以及作用大小；对于预测负荷曲线较平滑的系统，能够取得较理想的效果；但是，对于惯性较小、随机波动性较强的中小型电网，其预测效果相对较差。
（10）小波分析法
小波分析理论是一种时域-频域分析方法，对负荷序列进行小波变换，可以将负荷序列分别投影到不同的尺度上，各个尺度上的子序列分别代表了原序列中不同频域的分量，可以清楚地表现出负荷序列的周期性。因此，可以将小波分析方法用于电力系统短期负荷预测。Granger 第一次将小波分析应用于短期负荷预测，并证明了该方法的预测精度较高；小波分析不足之处是未能考虑天气、温度和湿度等诸多因素对负荷的影响，而且预测结果与小波基的选择有很大关系。
（11）灰色预测法
灰色系统理论在电力系统负荷预测中的应用受到了广泛的关注，灰色预测是一种对含有不确定因素的系统进行预测的方法。灰色系统理论的优点是在建模时不需要计算统计特征量，从理论上讲，可以使用于任何非线性变化的负荷指标预测，要求负荷数据少，不考虑分布规律，不考虑变化趋势，运算方便，短期预测精度高，易于检验，实用性能较好。不足之处在于要求负荷变化规律具有指数变化趋势，对于短期负荷而言根本不能满足以上条件，精度难以提高，当数据离散程度越大，即数据灰度越大，预测精度越差。
（12）数据挖掘技术
所谓的数据挖掘（DM，Data Mining）就是从海量的数据中提取隐含在其中事先未知的，但又是潜在有用的信息和知识，并将其表示成最终能被人理解的模式的高级过程。数据挖掘技术产生于20世纪80年代末期，是目前国际国内的研究热点。它是数据库知识发现KDD（knowledge discovery in database）的核心技术。数据挖掘技术的显著特点就是其强大的数据处理能力，能从大量的数据中发现有用的规律、规则、联系、模式等知识。包括聚类分析、分类分析、时间序列相似性分析、关联度分析、回归分析等。
（13）智能电网环境下的自适互动智能电力预测
①建立基于智能电网信息化的互动智能电力负荷预测模型
通过智能电网高度集成的信息化，建立电力负荷预测所需的预测数据仓库。数据仓库除了包括电力智能设备本身采取的数据外，还应该包括气象数据、政治数据、经济数据、市场数据等及其描述性知识。
根据数据库中的数据，提取出训练数据对智能型的预测模型进行训练，通过训练结合数据库中的数据建立相应地推理规则库和经验知识库。知识库既可以作为预测的预处理分析，也可以作为预测结果的后干预检验使用。知识库中作为预处理分析部分的主要任务是寻找与预测日特征相似的典型特征日，提取与预测日特征相似的特征数据，结合智能神经网络预测模型方法的创新，建立预测模型，得到预测结果。
②建立自适应智能电力符合预测模型
利用上述的信息化互动进行相似特征日数据的筛选，然后列举出可能的输入变量集，利用编码技术将输入变量以及神经网络的和支持向量机的所需参数及结构参数进行编码，将误差最小作为目标函数，这样就将自适应智能模型结构的问题转化为一个无约束优化问题。然后利用解决无优化约束的智能方法如遗传算法、粒子群算法、蚁群算法等进行求解，最后将训练的得到的智能模型用于预测之中。
③智能误差后干预修正算法
在原有预测的基础上对这些少量的预测结果进行后干预纠正，建立具有智能知识的智能后干预修正算法或规则，将其并入到后干预的推理库和算法库中，作为惊艳决策规则进行后干预功能的使用，这种规则可避免相关人员由于惊艳的缺乏而影响预测的效果，还可以修正预测模型尚未发现的影响因素带来的预测偏差。
④智能电网与新能源发电相关的负荷预测
智能电网的发展将会使以风电为代表的新能源发电方式自由安全地并网发电，然而相比较火力发电而言，风电的发电出力稳定性较差，随机性较强，对气象因素尤其是风速的依赖性较大，因此，风电发电出力的预测及风速的预测所考虑的因素也将会有所不同。
国内发展和应用现状
自20世纪20年代开始就有学者对电力负荷预测进行研究，但由于当时的电力系统规模小，变化较为平稳，因此电力负荷预测并没有受到重视。随着电力系统的市场化进程以及对能源的空前重视，负荷预测也受到了更加广泛的重视。近二三十年来，国内外的很多专家学者对负荷预测的理论和方法进行了大量的研究，取得了很多成果。总的来说，国内外关于负荷预测的理论成果大多集中于短期负荷预测的研究，中期和长期的负荷预测研究偏少，超长期的负荷预测更少。从方法上来说，预测方法大致经历4各阶段：①以线性回归方法为代表的传统统计预测方法阶段；②引入有Box-Jenkins提出著名的时间序列预测方法（包括AR, MA以及ARMA）阶段；③灰色预测方法以及组合预测方法阶段，其中组合预测方法国内重视程度较高，国外学者很少重视组合预测方法的研究；④近期的以神经网络以及支持向量机为代表的智能预测方法阶段。
国外发展和应用现状
负荷预测的起源可追溯到上世纪20年代初。当时的电力系统规模小，所以负荷预测的思想并没有引起人们的重视。但是上世纪60年代中期的几次系统瓦解事故，将电力系统的安全运行提上了同程。同时，世界各国经济的迅猛发展，对电力的需求量越来越大，对电能质量的要求越来越高，从而也带动了电力系统迅速发展和扩大，从这一时期开始，负荷预测获得了初步的发展。
电力系统负荷预测技术是随着负荷预测的重要性而发展的，相对而言，目前短期负荷预测技术发展更为充分一些，考虑到短期负荷预测中数据资源丰富，而且未来时刻的负荷主要依赖于历史负荷序列的发展，因此伴随着信号处理、人工智能等新兴学科的发展，短期负荷预测无论是在科学研究还是在实际应用中，都得到了比较充分的发展。而中长期负荷预测由于受到的影响因素多，可参考的历史数据量小，且受未来情况影响大，进行准确的定量研究比较困难，因此这方面科学研究的力度相对较小。
供应商信息
河南宏博通信技术有限公司
江苏恒源捷超电子有限公司
深圳市顺显科技有限公司
河南省双宝科技实业有限公司
瑞士ABB负荷预测研究
经典案例
例一：
浙江电网负荷预测管理系统
1省地一体化的负荷预测管理系统研究
省级应用系统和服务器布署在浙江省电力公司电力调度中心。省电力公司及多个供电公司的授权人员可通过内部局域网直接访问Web服务器；有与浙江省电力公司相连接的广域专网条件的授权用户通过系统内专网访问Web服务器；不具备专线接入条件的授权用户可通过拨号接入的方式接入省电力公司局域网，实现对本系统的连接，通过指定的用户账号登录本系统。本系统内的网络通迅全部基于TCP/IP协议。
供电局级应用系统将布署多个供电公司。各地区供电公司的授权人员将通过该地区电力局域网直接访问Web服务器；有与该地区供电公司相连接的广域专网条件的授权用户通过系统内专网访问Web服务器；不具备专线接入条件的授权用户可通过拨号接入的方式，接入地区供电公司局域网，实现对本系统的连接，通过指定的用户账号登录本系统。该系统内的网络通迅也全部基于TCP/IP协议。
2关键负荷预测技术研究
2.1数据预处理－变量降维
研究对象：浙江省的实时气象数据和负荷数据。根据浙江电力负荷的特点，浙江电网夏季高峰较冬季高峰更具有研究价值，因此对浙江省2006年4月1日～9月30日的实时气象数据和负荷数据进行统计分析。其中，实时气象数据的时间间隔为3 h，全省分为10个地区观测，每个地区包括9个气象要素，名称和定义如表1所示。全省每天共有720个气象数据。负荷数据则为全省每天96点负荷值组成。
坏数据处理。原始气象、负荷数据中存在着一定数量的不良数据或错误数据。不良数据是指由于不符合概率统计的随机干扰，如气象状况的突然变化、人为限电、系统或用户事故造成的不良记录。错误数据是指测量仪表或远动通道故障或者人为抄表错误造成的数据记录。如果对这些数据不做适当的处理，将对分析造成较大的误差。气象库中如无观测数据可由前一天正常值代替。负荷数据则可以根据每天负荷曲线形状的相对固定来判定是否为坏数据。具体步骤为：
设对k天的负荷数据进行坏数据判断，计算第k天第i点全省负荷的曲线形状系数
式中 Lk,i——第k天第i点的全省负荷。
同样方法计算前3天第i点的曲线形状系数，分别记为Sk-1,i，Sk-2,i，Sk-3,i，并按“近大远小”的原则加权计算近期曲线形状系数。
如果 
，则认为Lk,i是坏数据，用 Lk-1,i代替。
，则认为Lk,i是坏数据，用 Lk-1,i代替。使用相关系数对变量降维。使用相关系数法排除与目标变量相关性低的变量。主要有以下三种方法：皮尔逊相关系数法（此方法对于异常值和非线性的情况敏感）、采用Spearman相关系数法（此方法对于异常值和非单调的情况敏感）和Hoeffiding统计量（对有着多种关系的观测变量敏感）。鉴于本文研究的问题为非线性回归方程。因此采用第一种方法计算相关性，并删除相关系数值大于0.25的变量（如风向等不相关变量），得到第一步相关性较高的变量集。
使用变量聚类再次降维。变量聚类的目的在于排除冗余变量．依据的原则是聚类后同一类别中的变量都是相似的变量，可以只取一个代表变量。变量选取的原则是尽可能是组内相关性强而组间相关性弱的变量，即最能代表本类别中的变量而与其他类别的变量最不相关的变量。这一原则本质上也是考虑多变量共线性的问题，即尽可能做到所选的自变量间不相关。表2为某地区8:00~11:00时段实时气象因子和全省负荷相关关系分析表。从表2中可以看
出，气温和负荷的相关系数最大，和风向的相关系数最小，和平时的预测经验一致。经过以上两个步骤，将每时段的气象变量维数从9个降到3个。
2.2实时气象因子处理
根据气象因子和电力负荷在不同时段的变化规律，对全省负荷采用分步、分时、分段、差分建模的方法，即将同气温关系不大的因素与同气温关系密切的因素分开，节日负荷与非节日负荷分开，按一天不同时段分开，采用差分方程形式进行非线性回归方程建模。由高等数学中的幂级数理论，任何连续函数都可以用分段多项式来逼近，气象因子和电力负荷回归建模常用的方程式为二次多项式。分段非线性回归模型参数如表3所示。
按照以上所述方法，对实时气象因子和电力负荷建立回归方程如下：
对于第i时段
▽Li = b0 + b1×▽Ti+ b2×▽Ti2+ b3×▽Ri+b4×▽Ri2 + b5×▽Ci + b6 ×▽Ci2 +e
式中▽Li——前后两天第i时段负荷的差分；
▽Ti——前后两天第i时段气温的差分;
▽Ri——前后两天第i时段降雨量的差分；
▽Ci——前后两天第i时段云量的差分；
e——N(0，δ2)。
3预测效果验证
为了验证上述设计思想的可行性以及预测效果，我们建立了该系统的一个原型系统，对2007年4月10日～4月23日浙江省负荷分别采用本系统和采用基于日特征量的常规线性回归方法进行连续14天的实际预测，14天的预测精度比较表如表4所示。
从表4中可以看出14天中本系统的预测误差均值和方差都低于常规方法，表现出较好的预测精度和稳定性。
例二：
浅谈短期负荷预测现状及发展方向
应用人工神经网络的模型结构及负荷预测算法，对天津地区进行短期负荷预测。应用本文提出的模型对天津市电力系统负荷进行实际预测．分别对1999年12月20日24点、1999年12月份每天各枢点的负荷进行预测，结果如表2所示。
预测误差采用月平均相对误差MARE、日平均相对误差Mean及日平均均方根误差Rms：
从上表可见，利用人T神经网络系统建模进行预测是有效的。
参考文献
[1] 郑焰填.电力系统负荷预测方法的探讨[J].沿海企业与科技，2010，（2）：132-133,131.
[2] 王建军.智能电网环境下的自适互动智能负荷预测研究[J].陕西电力，2010，38（5）：11-15.
[3] 马莹莹.电力系统短期负荷预测方法综述[J].黑龙江科技信息，2010，（10）：29-29,271.
[4] 张怡，张锋.电力系统超短期负荷预测技术的应用与发展[J].浙江电力，2010，（2）：5-8,29.
[5] 姜巍，沈祖志，丁伟斌，魏路平.浙江电网负荷预测管理系统[J].农村电气化，2008，（2）：40-42.
[6] 杨玲.浅谈短期负荷预测现状及发展方向[A]. 2003年中国城市供电学术年会暨全国供用电联络年会论文集［C］.北京： 2003.11-16.
[7] 张涛.基于小波神经网络的电力系统负荷预测[D].哈尔滨：哈尔滨理工大学，2009.