相似日负荷预测在杭州电网中的应用
电力系统中的超短期电力负荷预测
电力系统中的超短期电力负荷预测电力系统是现代社会不可或缺的基础设施之一，能源的供需平衡是保障电力系统稳定运行的关键。
在电力系统中，电力负荷预测是一项必不可少的任务，它对于电力系统的规划、运营和调度具有重要意义。
本文将探讨电力系统中的超短期电力负荷预测技术及其应用。
首先，我们来了解一下超短期电力负荷预测的概念和意义。
超短期电力负荷预测是指对未来几小时内电力负荷的变化趋势进行预估的技术。
与长期和中期负荷预测相比，超短期负荷预测的时间范围更为短暂，但对于电力系统的运行却具有重要的影响。
准确的负荷预测可以帮助电力系统实现负荷的合理分配和优化调度，从而提高电力系统的可靠性和经济性。
目前，超短期电力负荷预测主要依靠统计模型和机器学习算法来实现。
统计模型根据历史负荷数据和相关因素的变化规律，通过建立数学模型来预测未来的负荷情况。
常见的统计模型有回归分析、时间序列等。
机器学习算法则通过对大量历史数据的学习和训练，寻找变量之间的非线性关系，并对未来的负荷进行预测。
常见的机器学习算法有人工神经网络、支持向量机等。
在超短期电力负荷预测中，数据的准确性和完整性是影响预测结果的关键因素。
因此，对于电力系统的数据采集和处理具有重要作用。
以往的数据采集方式主要依靠传统的电表和传感器，但随着智能电力网的发展，新一代的智能电表和传感器的应用加速了电力系统数据的采集速度和精确度，并提供了更多有效的数据特征。
此外，还可以利用电力系统和气象数据、节假日和天气因素等进行特征工程，提升预测模型的准确性。
超短期负荷预测模型的建立需要充足的历史数据来进行训练和验证。
同时，模型的选择和参数的确定也是预测准确性的关键。
在选择模型时，需要考虑数据的特点、预测的时间范围和需求的准确性。
在确定参数时，可以通过交叉验证等方法来选择最优的参数，确保模型的预测能力。
超短期电力负荷预测的应用非常广泛。
首先，它在电力系统的规划和建设中起到了重要的作用。
根据负荷预测结果，可以合理安排电力系统的装机容量和传输能力，以应对未来的电力需求。
基于相似日的短期负荷预测模型优选组合方法
中图 分 类 号 ： Ｍ Ｔ
文献标识码 ： Ａ
文 章 编 号 ：６ ２ ３ ９ （ ０ ０ １ — ３ ６０ １ ７ —１８ ２ １ ）５０ ６ —１
１ 引 言
对 温 度 可 以进 行 分 段 处 理 ： 据 对 人 体 温 度 舒 适 度 调 查 ， 根 可
摘
要 ： 统 的模 型 组 合 优 化 方 法是 将 几 种 预 测 方 法 所 得 的 预 测 结 果 ， 传 选择 适 当 的 权 重 进 行 加 权 平 均 ， 在 几 种 预 测 或
方 法 中比 较 ， 择 拟 合 优 度 最 佳 或 标 准 离 差 最 小的 预 测 模 型进 行 预 测 。但 在 天 气 突 变 的 情 况 下 ， 历 史 负荷 预 测 效 果 好 的 选 对 方 法 ， 待 预 测 日预 测 效 果 不 一 定 好 。根 据 这 一 情 况 ， 传 统 短 期 负荷 预 测 组 合 优 化 模 型 的基 础 上 提 出一 种 基 于相 似 日的 对 在
５ ５ 所 ５ 进 行 实 际 短 期 负 荷 预 测 时 ， 某 一 固定 地 区 ， 不 同 的 认 为 人 体 舒 适 温 度 区 间 为 １ ～ ２ ℃ ， 以 当 温 度 在 １ ～ 对 用 ５ 可 ； 预 测 方法 可 能 得 到 不 同 的 预 测 结 果 。 提 高 预 测 精 度 的 途 径 ２ ℃ 区 间 时 对 负 荷 的 影 响 较 小 ， 近 似 量 化 取 值 为 ０ 而 当 ５ ５ 对 之 一 是 实 现 负 荷 预 测 的综 合 模 型 。传 统 的 短 期 负 荷 预 测 组 温度 低 于 １ ℃ 或 高 于 ２ ℃ 时 对 负 荷 的 影 响 较 大 ， 温 度 进
短期负荷预测在电力系统规划中的应用
短期负荷预测在电力系统规划中的应用摘要：随着经济的快速发展与和谐社会的构建，人们的生活水平越来越高，人们对电力资源的需求量也越来越高，我国电力企业得到了飞速的发展，其电力系统的建设规模也越来越大。
在进行电力系统规划时，必须对电力负荷进行预测，确保电力系统在未来能快速的发展，在进行电力负荷预测时，需要根据供电规模、输电线路输电能力、变电站容量等进行判断，文章重点介绍了电力系统规划中短期负荷预测的应用。
关键词：电力系统;规划;短期负荷预测电力工业的发展对国民经济的发展及和谐社会的构建有很大的影响，在新环境下，电力系统的建设规模越拉越大，电力系统的主要作用就是为各个用户提供经济、可靠、安全、稳定、符合标准的电能，从而满足用户的用电需求。
在进行电力系统规划中，科学、准确的电力负荷预测不仅能为电力系统的快速发展提供保障，还能为国民经济发展提供充足的电力资源，因此，在电力系统规划中，做好电力负荷预测工作有十分重要的意义。
1 短期负荷预测电力负荷预测是指通过分析电力系统的运行特性、自然环境、社会环境、增容情况等各种因素，利用能处理过去、现在、未来负荷的数学方法，在符合相关精度要求的前提下，得出某一时间段的负荷数值。
短期负荷预测的预测周期在1～5 a，由于短期负荷预测的周期比较短，与电力系统的短期发展有很大的关系，因此，短期负荷预测的准确性对电力系统规划有十分重要的作用。
2 负荷预测的特点及原理2.1 负荷预测的特点在进行电力负荷预测时，是根据电力负荷的过去值推测未来值，因此，电力负荷预测本身具有不确定性，这就需要采用合理的预测技术，预测负荷可能达到的情况。
电力负荷预测的特点有以下几点。
2.1.1 不准确性电力负荷的发展状况是不确定的，它会受各种因素的影响发生变换，加上影响负荷预测的因素也在不停的发生变换，因此，电力负荷预测的结果具有不完全准确的特性。
2.1.2 时间性电力负荷预测是有时间限制的，负荷预测是一种科学预测，有比较准确的数量概念，在进行负荷预测时，需要明确预测的时间。
基于相似日的短期负荷预测模型优选组合方法
基于相似日的短期负荷预测模型优选组合方法在当今社会，电力系统的稳定运行对于经济发展和人们的日常生活至关重要。
准确的短期负荷预测是电力系统规划、调度和运营的重要基础，能够帮助电力企业更好地进行资源配置、优化电力生产和供应，提高电力系统的可靠性和经济性。
而基于相似日的短期负荷预测模型优选组合方法则是一种有效的提高预测准确性的手段。
相似日的概念基于这样一个前提：在相似的日期条件下，电力负荷的变化模式往往具有相似性。
这些相似的条件可以包括日期类型（工作日、周末、节假日等）、天气状况（温度、湿度、降雨量、风速等）、季节等。
通过找出与预测日相似的历史日期，并分析这些相似日的负荷数据，我们可以为预测日的负荷预测提供有价值的参考。
在短期负荷预测中，有多种模型可供选择，常见的有时间序列模型、回归模型、人工神经网络模型等。
每种模型都有其特点和适用范围。
时间序列模型，如自回归移动平均（ARMA）模型和自回归积分滑动平均（ARIMA）模型，适用于负荷数据具有明显的时间序列特征的情况。
它们通过对历史负荷数据的自身规律进行分析和建模，来预测未来的负荷。
回归模型则将负荷与相关的影响因素（如温度、湿度等）建立线性或非线性的关系，从而进行预测。
人工神经网络模型具有强大的学习能力和非线性拟合能力，能够处理复杂的负荷变化模式。
然而，没有一种单一的模型能够在所有情况下都表现出色。
这是因为电力负荷受到多种因素的综合影响，其变化模式非常复杂。
不同的模型在不同的场景下可能会有不同的预测效果。
因此，为了提高预测的准确性和可靠性，我们需要对多种模型进行优选组合。
模型的优选组合可以采用多种方法。
一种常见的方法是基于预测误差的评估。
我们可以使用历史数据对每个模型进行训练和测试，计算它们的预测误差，如平均绝对误差（MAE）、均方根误差（RMSE）等。
然后，根据误差的大小对模型进行排序，选择误差较小的模型作为优选模型。
另一种方法是基于权重的组合。
为每个模型分配一个权重，权重的确定可以根据模型的历史表现、预测误差或者专家经验等。
探讨电力负荷预测在智能电网中的应用
探讨电力负荷预测在智能电网中的应用发表时间：2018-05-10T10:31:20.087Z 来源：《电力设备》2017年第34期作者：程佳音许国君鲍捷杨甲[导读] 摘要：智能电网是未来电网的发展方向，随着国家能源战略的调整，大量新能源设备投入电网中，电力负荷组成越来月复杂，为电网负荷分析和预测带来了新的问题和挑战。
（国网邯郸供电公司河北省邯郸市 056035）摘要：智能电网是未来电网的发展方向，随着国家能源战略的调整，大量新能源设备投入电网中，电力负荷组成越来月复杂，为电网负荷分析和预测带来了新的问题和挑战。
负荷水平与负荷特性是评价电网负荷状况的两个主要特征指标，从负荷水平可以看出电网用电负荷高低的现状以及增长的趋势。
关键词：负荷预测；智能电网；应用1电力负荷预测分析1.1电力负荷预测的含义电力负荷预测技术的含义：在电力系统的运行中充分考虑自然条件、电力系统的运行特性、增容决策和社会影响等因素，在满足一定的精度要求的前提下，利用一种能够通过对过去数据的处理得到未来某一特定时刻或特定时间区域的电力负荷数值的一种数学算法。
随着我国经济的迅速壮大，电力系统的负荷大大增加，电力负荷预测技术的水平对电网管理越来越重要。
提高电力负荷预测技术的精确度能够提升电力系统运行的稳定性和安全系数，能够最大程度的增大电力系统的利润。
1.2电力负荷预测的基本原理负荷预测是根据过去和现在的具体情况，对负荷发展变化规律进行讨论研究，并此推断电力负荷发展趋势。
1）可知性原理。
它是指预测对象的发展规律包括未来的发展趋势和状况，是可以被人们所知道的。
2）可能性原理。
事物的发展变化规律，是由内因和外因两个因素共同决定的，内因或外因的变化，都会使事物向着多种可能的方向发展变化。
3）连续性原理。
在电力系统的发展变化中，负荷预测会将某些原有的特征保持下来，然后再以原有的趋势和变化率发展下去，这是一种连续性原理，也称惯性原理，负荷预测的这种惯性特征是我们进行负荷预测的主要依据。
考虑相似日的短期负荷改进粒子群预测方法
ｓ ｏ ｔｔ ｒ ｌ ａ ｏ ｅ ａ ｔｎ ｅｈ ｄ ｂ ｓ ｄ ｏ ｉ ｉ ｒｄａ ｏ ｄ ａ ｄ ａ ｖ ｎ ｅ ｒｉ ｌ ｗａ ｍ ｌ ｏｉｈ ｉ ｈ ｒ ｅ ｍ ｏ ｄ ｆ ｒ ｃ ｓｉ ｇ ｍ ｔ ｏ ａ ｅ ｎ ｓｍ ｌ ｙ Ｓ ｌ ａ ｎ ｄ ａ ｃ ｄ ｐａｔｃ ｅ ｓ ｒ ａｇ ｒｔ ｍ ｓ ａ ｐ ｏ ｏ ｅ Ａｎ ｏ ｉ ａ ｏ ｄ ｃ ｒ ｅ ｉ ｅｅ ｔ ｄ ｆｏ ｓｍｉａ ａ ｏ ｄ ｃ ｒ ｅ ． Ｓ ｏ ｈ ｓｉ ｕ ａｉｎ ｍｅ ｈ — ｒ ｐ ｓ ｄ． ｐｔ ｌｌ ａ ｕ ｖ ｓ ｓ ｌ ｃｅ ｒ ｍ ｉ ｌ ｒｄ ｙ Ｓ ｌ ａ ｕ ｖ ｓ ｍ ｔ ｃ ａ ｔｃ ｍ ｔｔｏ ｃ ａ
秘 ａ 冁裁毫爨§ ｜畿 § § 尊疆 § 鼍旗
１
ｆ
３
０ 引 言
电力系 统实 时运 行需 要对 未来 几 十分 钟 内的 负荷 进行 预测 ， 以便 及 时调整 机组 出力 ， 现系 统安 全 实
稳定 经 济运 行 。影 响短期 负荷 预测 精 度 的主要 因素是 各 种 随机 干 扰 ， 包括 星 期 日类 型 、 大 事 件 、 象 重 气 因素等 。为 了提 高短 期 负荷 预测精 度 ， 国内外 学者 提 出 了许 多预 测 方 法 。随 机 时 间序 列 预测 方 法 建模 所需 统计 特 征难 以确 定 ， 对非 平稳 状态 难 以辨 识 ¨ 。灰 色 预 测 模 型 的微 分 方程 指 数 解 不适 合 于具 有
２ Ａ ｈ ｉ ｌ ｔ ｃｌ ｎ ｉｅｒ ｇＰ ｏｅ ｉｎ ｌ ｅｈ ｉ ｅＣ ｌｇ ， ｅ ｉ ３ ０ ２ Ｃ ｉａ ． ｎ ｕ Ｅ ｅ ｒ ａ ｇｎｅ ｎ ｒ ｓ ｏ ａ ｃｎｑ ｏｌ ｅ Ｈｆ ０ ２ ， ｈｎ ） ｃｉ Ｅ ｉ ｆｓ Ｔ ｕ ｅ ｅ２
基于神经网络和相似天数法的电价预测方法研究
系,加权因子 ω^ 需要考虑元素单位的差异,并且每个
使用的器件随其单元而变化。 从预测日前一天起的
过去 45 天以及上一年预测日前过去的 45 天,都被考
虑用于选择类似的日期。 根据算法,每个小时都有一
组单独的相似日,如果更改了预测日期,则会以相同
的方式选择类似的日期。
然后,假设它是实际价格,在 t + h 时间上相似的价格
日,使用这些数据,其中 h 表示小时。
2 神经网络体系结构
2. 1 神经网络训练
神经网络训练用于选择网络参数,以最小化采样集
的拟合误差。 对于给定的训练数据集,目标函数定义为:
1
E = ∑ ( ΔO - ΔO ∗ ) 2
(4)
2
其中, ΔO 和 ΔO ∗ 分别为网络输出和期望输出。
ïïΔL t - 1 = L t - 1 - L pt- 1
(3)
í
p
ïΔP t = P t - P t
ï
p
îΔP t - 1 = P t - 1 - P t - 1
其中, L t 和 P t 分别为预测日的负载和价格; L pt 和
2
P pt 分别为过去相似日期的负载和价格; ΔL t 为预测日
与相似日之间的负荷偏差; ΔP t 为预测日与相似日之
similar days method
Tian Qingliang
State Grid Yinan County Power Supply Company Linyi 276300 China
Abstract This article aims to demonstrate the superiority of neural networks and similar day method models using
基于相似日的节假日燃气短期负荷预测
随着人工智能 、 信息技术领域新理论 和新技术 的推 广 ， 市燃 气负荷 预测 技术 得到 了迅速 的发展 。 城
但是 至今 为止 ， 还没 有 哪 一种 算 法 能 够完 全 解 决燃
气负 荷预测 的所 有 问题 ， 其 是 对 于节 假 日的 负荷 尤
预测 。
资料 作为样 本进 行 预 测 ¨ 。本文 综 合 分析 了燃 气 ｊ 负荷 的数据 特征 、 气象 资料 和 日期类 型等 因素 ， 出 提 采用 以相似 日作 为样本 的预 测方 法 。此 种方 法 以燃
这些 ７日长 假 ） 燃 气 负 荷 与 正 常 工 作 日相 比会 明 ， 显 降低 ， 其是 在春 节 期 间燃 气 负 荷 曲线 会 出现 长 尤 时 间 、 幅度 的下 降 和变 形 。 由于 节假 日期 间 的 负 大 荷数 据较少 ， 负荷 容 易 受 到各 种 随 机波 动 因素 和潜 在干 扰 因素 的影 响 ， 得一 些 对 于 正 常 日有 良好 精 使 度 的预 测算 法也很 难得 到较为 满意 的结果 。 目前广 泛 应用 的神 经 网络 预测 方 法 ， 常是 采 通 用 被预测 日前几 日的历史 负荷数 据和其 对应 的气 象
摘 要 ： 分析 了燃 气 负荷 的形状 相似 、 势相似 和特 征相似 ， 据 节假 日燃 气 负荷 的特 点 ， 趋 根 提 出基 于相 似 日的节假 日负荷 预测 方 法。 以前趋 势相似 性 和 日特 征 相似 性 为 原 则 ， 燃 气 负荷 历 史 在 数据 库 中选择 若干相似 日， 以相似 日作 为样 本采 用神 经 网络 方 法进 行预 测 。 实例 证 明该 方 法具 有
维普资讯
第２ ６卷
第 ５期
煤 气 与 热 力
负荷预测知识点总结
负荷预测知识点总结一、负荷预测的意义1. 为电力系统调度决策提供依据。
电力系统的供需平衡是电力系统运行管理的核心问题，负荷预测为电力系统调度员提供了一定的预期，使其能够合理地安排电力生产和输送计划。
2. 为电力系统规划提供参考。
负荷预测可以帮助电力系统规划人员合理安排发电设备的建设规模和位置，以及输电线路的布局，并且能够提前发现负荷增长的趋势。
3. 为市场运营提供支持。
在电力市场化的运营模式下，负荷预测可以为电力市场交易提供可靠的依据，促进市场交易的稳定和有效。
二、负荷预测的方法1. 统计方法。
统计方法是最早被应用在负荷预测中的方法，主要包括回归分析、指数平滑法、时间序列分析等。
这些方法主要依赖历史负荷数据的变化规律来进行预测，相对简单、易操作，但对负荷变化的复杂性和非线性关系有一定局限性。
2. 专家系统方法。
专家系统方法主要是基于专家经验和知识来进行负荷预测，包括模糊逻辑、神经网络等。
这些方法能够克服统计方法的局限性，更好地捕捉复杂的负荷变化规律，但其建模和参数调整难度较大。
3. 物理模型方法。
物理模型方法是基于电力系统的物理特性对负荷进行建模和预测的方法，包括方程建模、系统辨识等。
这些方法能够更加精确地描述负荷的变化规律，但也需要更多的系统信息和计算资源。
4. 混合方法。
混合方法是将统计方法、专家系统方法和物理模型方法相结合，利用各自的优势来进行负荷预测的方法。
这些方法可以充分利用各种信息来源，提高预测的准确性和稳定性。
三、负荷预测的关键技术1. 数据采集与预处理。
负荷预测的关键在于获取准确的负荷数据，这需要对各种数据来源进行统一、标准的采集和预处理，包括历史负荷数据、天气数据、经济数据等。
2. 特征提取与选择。
在进行负荷预测时，需要对数据进行特征提取和选择，以便更好地描述数据的变化规律。
这需要充分挖掘数据的信息，选择合适的特征指标。
3. 建模与算法选择。
建模是进行负荷预测的核心环节，需要选择合适的建模方法和算法，以便更好地捕捉负荷的变化规律。
配电网规划中电力负荷预测的关键问题分析
配电网规划中电力负荷预测的关键问题分析发布时间：2022-10-24T03:18:38.907Z 来源：《新型城镇化》2022年20期作者：张菲菲[导读] 电力的供应对整个社会的运转都是至关重要的，基于提供高质量的电力供应服务的目的，科学进行配电网规划，并且运用电力负荷预测方法，达到增强配电网规划工作的效果。
国网怀化供电公司经济技术研究所湖南怀化 418000摘要：近年来，随着我国科学技术的发展，人们的生活质量得到改善，同时，人们在电力方面的需求也逐渐增加。
为了保证电力供应的持续和发展，做好配电网规划工作十分重要。
电力负荷预测可以使配电网运行稳定持续，提高预测的精准性。
本文就对配电网规划中电力负荷预测的关键问题进行深入探讨。
关键词：配电网；规划；电力负荷；预测电力的供应对整个社会的运转都是至关重要的，基于提供高质量的电力供应服务的目的，科学进行配电网规划，并且运用电力负荷预测方法，达到增强配电网规划工作的效果。
有关工作者通过应用科学的电力负荷预测方法，实现对后续工作的精准预测，系统掌握电力负荷变化的规律和相关的影响因子情况，尽可能避免或减少配电网规划管理安全风险。
为此，系统思考和分析配电网规划中电力负荷预测方法显得尤为必要，拥有一定的研究意义与实施价值。
1、电力负荷预测的相关概念1.1电力负荷预测的特点电力负荷数据通常受到用户使用、非周期性社会事件、年份日期（工作日与非工作日、法定节假日）、天气气候（高温雷雨）、季节更替（春夏秋冬）等非量化因素的影响，具有随机性、周期性、时变性、条件性和多方案性等特点。
（1）随机性。
电能属于瞬时能源，具有不可大量存储、不确定性等随机性特点。
因此，电力负荷预测应保证电力的消费和生产在同一瞬时进行。
由于负荷变化受各种因素影响，有些影响因素可以事先预见，有些则是完全未知的。
因此，在预测过程中，电力负荷预测的结果受随机性因素影响较大。
（2）周期性。
电力负荷从长期来看是波动变化的，但这种变化会呈现出周期性和连续性的特点。
基于相似日负荷修正算法的短期负荷预测
３ ．华 南理 工 大 学 计 算机 科 学 与工程 学院 ，广 东 广 州 ５ ０ ４ ） １６ ０
摘 要 ： 实现 准确 、快速预 测 电力 系统短期 负荷 的 目的 ， 为 综合 考虑 气 象、日类型和 时间对 负荷 的影 响 ， 出 了基 于相似 日 提 负荷 修正 算法 的预测模 型 。首先 建立相 似度 量化模 型 ， 具体 用灰 色关联分析 法计 算 气象相似 度 ，兼顾 “ 大远 小”和 “ 期 近 周
ＬＩ Ｊｎ ＺＨＵ ｎ —ｅ ｇ ， ＬＩ ｉ Ｕ ｉｇ ， Ｆｅ ｇ ｆ ｎ Ｎ Ｈｕ ＨＡＯ ｈ —ｅ ｇ， Ｗ Ｕ ａ ｇ ｃ ａ ， Ｚ ｉｆｎ Ｇｕ ｎ —ｈ ｏ
（．Ｃｏｌｇ ｆ ｃｅ ｃ ，Ｓ ｕｈＣｈｎ ｉｅｓ ｙｏ ｅ ｈ ｏｏ ｙ １ ｌ ｅｏ ｉｎ ｅ ｏ ｔ ｉａＵｎｖ ｒｉ ｆ ｃ ｎ ｌｇ ，Ｇｕ ｎ ｚ ｏ １ ６ ０ ｅ Ｓ ｔ Ｔ ａ ｇ ｈ ｕ５ ４ ，Ｃｈｎ ； ２ ０ ｉａ ．Ｈｕｚ ｏ ｏ ｒ ｕ ｐｙ ｉｈ ｕＰ ｗｅ ｐ ｌ Ｓ
关 键 词 ： 似 日； 短 期 负荷 预 测 ； 负荷 修 正 ； 气 象 ； 日类 型 ； 时 问跨 度 相
中 图法分类号 ：Ｐ ８ Ｔ １
文献 标识 １） ６ １７．４ １０—０ ４（０ ０ ０ —２ ９０
Ｓ ｏ ｔ ｅ ｍ ａ ｏ ｅ ａ ｔ ｇｂ ｓ ｄ ｏ ｌｏ ｉ ｍ ｆｓｍｉ ｒｄ ｙ ’ ｏ ｄｍｏ ｉ ｃ ｔ ｎ ｈ ｒ． ｒ １ ｄｆ ｒ ｃ ｓｉ ａ ｅ ｎ ａ ｇ ｒｔ ｏ ｔ ｏ ｎ ｈ ｉ ｌ ａ ｓ １ａ ｄ ｆ ａｉ ａ ｉ ｏ
电力负荷预测的习题及答案
电力负荷预测的习题及答案电力负荷预测的习题及答案电力负荷预测是一个重要的领域，它对于电力行业的运营和规划起着至关重要的作用。
准确的负荷预测可以帮助电力公司合理安排发电计划，提高电力供应的效率和稳定性。
本文将通过一些习题来探讨电力负荷预测的相关问题，并提供相应的答案。
习题一：什么是电力负荷预测？答案：电力负荷预测是指通过对历史负荷数据和相关因素进行分析和建模，预测未来一段时间内的电力负荷水平。
这些相关因素包括季节性变化、天气状况、经济发展水平等。
电力负荷预测可以帮助电力公司合理调度发电设备，确保电力供应的平稳和可靠。
习题二：电力负荷预测的方法有哪些？答案：电力负荷预测的方法主要分为基于统计学的方法和基于机器学习的方法两大类。
基于统计学的方法包括时间序列分析、回归分析等，它们基于历史负荷数据的趋势和周期性进行预测。
而基于机器学习的方法则利用大量的历史负荷数据和其他相关因素，通过建立复杂的模型来进行预测。
习题三：时间序列分析在电力负荷预测中的应用是什么？答案：时间序列分析是一种基于历史数据的预测方法，它假设未来的负荷水平与过去的负荷水平有关。
时间序列分析通过分析历史负荷数据的趋势、季节性和周期性等特征，建立相应的模型来进行预测。
常用的时间序列分析方法包括移动平均法、指数平滑法和ARIMA模型等。
习题四：机器学习在电力负荷预测中的应用是什么？答案：机器学习是一种通过让计算机从数据中学习和发现规律，从而进行预测和决策的方法。
在电力负荷预测中，机器学习可以利用大量的历史负荷数据和其他相关因素，通过建立复杂的模型来进行预测。
常用的机器学习方法包括神经网络、支持向量机和随机森林等。
习题五：电力负荷预测中的天气因素有哪些？答案：天气因素对电力负荷预测有着重要的影响。
常见的天气因素包括温度、湿度、风速、日照时数等。
这些因素与人们的用电行为密切相关，例如在高温天气下，人们会使用空调等电器设备，导致负荷水平增加。
因此，在电力负荷预测中考虑天气因素是非常重要的。
电力负荷预测大数据应用场景和效益
电力负荷预测大数据应用场景和效益大数据（Big Data）是指由传统数据管理工具难以处理的大量、高速度和多样性的数据集合。
随着信息技术的不断发展和应用，大数据正在成为推动各个领域创新的重要力量。
在电力行业中，电力负荷预测是大数据应用的重要场景之一。
一、电力负荷预测的重要性电力负荷预测是指根据历史的用电数据、环境因素以及其他相关因素，通过数学建模和大数据分析技术，预测未来一段时间内的电力负荷量。
准确的电力负荷预测可以帮助电力公司和管理机构合理调度电力资源，提高供电效率，降低供电成本，满足不同时间段的用电需求，保障电力系统的安全稳定运行。
二、电力负荷预测的大数据应用场景1. 基于大数据的天气因素分析天气因素是影响电力负荷的重要因素之一。
通过收集和分析与电力负荷相关的气象数据，如气温、湿度、风速等，可以建立天气模型，并与历史的用电数据进行关联分析。
通过对不同天气条件下的用电情况进行预测，可以更准确地预测未来一段时间内的电力负荷。
2. 基于大数据的历史负荷数据分析历史负荷数据是电力负荷预测的重要依据，通过对历史负荷数据的分析，可以发现一些隐藏的规律和趋势。
利用大数据分析技术，可以对历史负荷数据进行预处理、特征提取和模式识别，并建立相应的预测模型，从而实现准确的负荷预测。
3. 基于大数据的用户行为分析用户行为也是影响电力负荷的重要因素之一。
通过对用户历史用电数据的分析，可以了解用户的用电习惯、用电模式和用电需求的变化趋势，进而对未来的用电情况进行预测。
大数据分析技术可以帮助识别不同类型用户的用电行为特征，并建立相应的预测模型，提高负荷预测的准确性。
三、电力负荷预测的效益1. 提高电力供需匹配效率准确的负荷预测可以帮助电力公司及时调整发电计划和电网调度，从而更好地匹配供需关系，避免供电不足或供电过剩的情况发生，有效平衡电力系统的负载。
2. 优化电力资源配置电力负荷预测的准确性对于优化电力资源配置具有重要意义。
刍议负荷预测在电力中的方案实施
：
Ｃｉ ｅ ｅ ｎ￣ ｓｎ Ｐ ｄｄ ｈ ｏＮ ｗｒｃ ｏ ｎ ｈ ｏｄ ｒ ｕｓ ｏ
工 业 技 术
刍议 负荷预 测 在 电力 中 的 方案 实 施
柳 忠艳 （ 南Байду номын сангаас电网公 司昭通 供 电局 。云 南 昭 通 ６ ７ ０ 云 ５ ０ ０）
摘 要 ： 负荷预 测通 过研 究 国民经 济和社会 发展 的各 种相 关 因素与 电力 需求之 间的 关 系，预测 电力 用户 的需 电量和 最大 负荷。就 以 某县 为例 ，对 电 网可以采 用的短期 负荷预 测方案做 进一 步分析 。 关键词 ：预测 ； 负荷特 性 ；分析 中图分 类号 ：丁 Ｍ 文献 标识码 ：Ｂ
行分 析统计 ，找出近期天气 、温度 、光照度对 资料 轨迹 的概 括 ，它反 映 的是经 验资 料 内部 负荷 曲线走 势变 化的影 响规 律 ，才 能 根据 天 结 构 的一般 特 征 ，与该 资料 的具体 结构 并不 气预 报进行 准确 的描述 负荷计划 曲线 。 完 全 吻合 。模 型 的具 体 化 就 是 负荷 预 测 公 １ 农业 用电 的分析 和预测 ． ４ 式 ，公 式 可以产 生 出与观 察值 不相 似结 构 的 农 业 用 电 则是 指 农 村 居 民用 电 和农 业 数值 ，这 就 是预 测值 。必 要时 ，可 同时采 用 生产 用 电。此类 负荷 与工 业 负荷相 比 ，受 气 几种 数学模 型进行 运算 ，以便对 比、选 择 。 候 、季节 、农作 物种 类 、土壤 墒情 、耕 作 习 ６ 合 分析 ，确定 预 测结 果 。通 过选 择 ） 综 惯 等 因素 的影响 很大 ，这 是 由农 业 生产 的特 适 当的预 测技 术 ，建立 负荷 预测 数学模 型 ， 点所 决定 的。在 进行农 业 负荷 预测 时 ，需要 进 行 预测 运算 得到 的预 测值 ，或 利用 其他方 充 分考虑 到 天气 、农 作物种 植种 类 、灌 溉周 法 得 到的 初步 预测 值 ，还 有参 照 当前 已经 出 期等 因素 的影 响 ，做出综合 分析 。 现 的各 种可 能性 ，以及新 的趋 势 与发展 ，进 荷为 ９ Ｍ ，最大 日供 电量 １ ６ ｋ ・ ：但 ８ Ｗ ９万 Ｗ ｈ ２负荷预 测基本 程序 行综 合 分析 、对 比、判断 推理 和评 价 ，最终 在 春节 期 间 网供最 大负 荷 仅 为４ ＭＷ， 日网 ２ 对 电力 负荷 进行 科学 预 测 ，要 有一 个 基 对初 步预测 结果 进行调 整和修 正 。 供电量 仅为９ 万ｋ ・ 。 ８ Ｗ ｈ 本 程序 ，就 是考 虑预 测工 作怎 样进 行 ，分几 ７编写 预测 报告 ，交付 使 用 。根 据分 析 ） ２受 工业 产 品生 产 的季 节性 调 整和农 灌 个 阶段 ，先 做什 么 ，后做 什 么。根 据所 进行 判断 最后 确定 的 预测结 果 ，编写 出本 次负 荷 ） 负荷 的影 响 ，全年用 电起 伏较 大。 的电力 负荷 预测 的实践 活 动 ，认为 其基 本程 预测 的报告 。 ３可调节的发 电容量少 ，实际可调小火电 序如 下 。 ） ８负 荷 预测 管理 。将 负 荷预 测报 告 提交 ） １确定 负 荷预 测 目的 ，制 定 预测 计 划 。 ） 机组不到３ Ｗ ， Ｍ 对负荷预测工作影响 比 较小 。 主管部 门后 ，只是本 次预 测告 一段 落 ，并不 １ 工业用 电的 分析及 预测 ． ２ 负荷 预测 目的要 明确具 体 ，紧密 联 系电力 工 等于全 部预 测工 作 的结束 ，随后 仍 需根 据主 工业是 以原有 的机械 加工 业 为依托 发 展 业实 际需 要 ，并 据 以拟 定一个 负 荷预 测工 作 客 观条件 的变化 及预 测应用 的反馈信 息 进行 起来 的 。近年 来 ，随着 县政府 大力 兴建 工业 计划 。根据 长期 的历史 资料 进行 短期 预测 ， 检验 ，必要 时应修 正预 测值 。 园区 ，引进外资 ，以个体加工业为主 的家庭作 要 比根 据短 期 的历史 资料 进行 长期 预测 更 可 ３ 县级局 提高电力 负荷预测准确率的方法 坊 式企业 开始 向规模化 、 团化发展 ， 县 的 靠 些 ，因为这样 根据更 充分些 。 集 某 ３１ ．加强 年度负 荷预测 的指导 作用 工业用 电量 年增 长率平 均 都高 达 １％左 右 ， ０ ２调 查资 料 和选择 资料 。要 多方 面 调查 ） 在 编制 年度 运行 方 式时 ，地 区调 度会 同 全 社会 用 电量 年平 均增 长率 达 １ ％以上 。到 收 集资料 ，包 括 电力企 业 内部 和外 部资料 ， ５ 用 电部 门对 年度 用 电增 长情 况进 行分 析 ，再 ２０ 年 ，全县 用 电已达５ 亿 ｋ ・ ，工业 用 国民经 济有关 部 门 的资料 ，以及 公 开发表 和 根 据 弹性 系数法 、回归 系数 法 以及 对某 些 区 ０５ ． Ｗ ｈ ７ 电 占８ ％；其 中生产 较为 稳定 的大 中型企 业 未公 开发 表 的资料 ，然 后从 众 多的 资料 中挑 域 主要 用户 调查 了解 等 办法相 结合 ，对 全年 ０ 比例 也在 逐 年上 升 ， 占工 业用 电量 的８％ ， ５ 选 出有用 的一 小部 分 ，即把 资料 浓缩 到最 小 本地 区的 电量 、负荷增 长情 况进 行 预测 ，该 用 电稳定 性较 低 的 占１ ％。 因此对 工业 用 电 量 。挑 选 资料 的标 准 ，一 要 直接 有关 ，二 要 预测 结 果考 虑 因素全 面 ，可信度 比较 高 。在 ５ 负荷 的预测是 整个 负荷预测 工作 的基 础 。 可靠 ，三要 最 新 。先把符 合这 三点 的资料 挑 确定 这 两个 指标后 ，可根据 负荷 分 析结果 及 工业 用 电负荷 的预测 一般 采用 对实 时运 出来 ，加 以深人 研究 ，在 这 以后 ，才能 考 虑 历史 数据 逐级 分解 到各 月份 ，这 样对 全年 负 行 中的负荷 曲线 按季 节变 换规 律加 以调 整 的 是 否还需 要再 收集其他 资料 。 ． 荷情 况就 有一 个大 体 了解 ，可对 短期 负荷 预 ３资 料整 理 。对 所收 集 的与 负荷 有 关 的 测起 到指导性 作用 。 ） 方法 。其 中季节 变换 规律 可根 据历 年 的负荷 资 料进 行统计 ，或 对行 业进 行调 查得 出 。农 统计 资料 进行 审核 和必 要 的加 工整 理 ，是 保 ３ 加 强 电网设备 检修 的计划性 ． ２ 历传统节 日，如立 春 、 节 、清明 、中秋 、冬 证 预测质 量所 必须 的 。可 以说 ，预 测的 质量 春 实 行计 划检 修 ，对 短期 负荷 预测具 有重 ５Ｖ 至等对某县工业用 电负荷影 响很 大 ，而元旦 、 不会 超过 所用 资料 的质 量 ，整理 资料 的 目的 要 意义 。主要 管理 ３ｋ 以下 的配 网，大部分 五一 、国庆等 法定 假期 的影 响则 稍小 一些 。 是为 了保证 资料的质 量 ，从 而为保 证预 测 是 馈线 ，电网主 设备 停役 ，将 直接 影响 用户 这些 节假 日的负荷 曲线需 要根 据 当地风 俗 习 质 量打下 基础 。 用 电及 负荷 计划 曲线 的准 确性 ，所 以必 须加 ４对 资 料 的 初 步 分 析 。 在 经 过 整 理 之 强 电 网设备 检修 的计 划性 管理 ，降 低设 备临 ） 惯 ，按 日进行单 独 分析 ，即通 过 采用历 史 同 时期 负荷 资料 ，再结 合负 荷年 增长 情况及 气 后 ，还 要对 所用 资料 进行 初步 分析 ，包 括 以 修率 。建 议将 临修 率 与各生 产 、运 行 、维 护 象 因素（ 包括气 温 、降雨 、光 照等） 行调 整 进 下 几个方 面 ： 单位 相挂 钩 ，可 以减 少临修 次 数 ，避 免重 复 １ 生 活及照 明用 电的分析 和预测 ． ３ ① 画 出动态折 线 图或 散点 图 ，从 图形 中 停 电 ，同时也 为短 期负 荷预 测 工作 提供 了 良 随着 地 区人 民生 活水平 的提 高 ，空调 、 观 察资料 变 动 的轨 迹 。特别 注 意离 群 的数值 好 的预 测环境 。 ３ ． ３建立气 象与 负荷关 系的资 料库 冰箱等 电器 的普遍 使用 ，生活用 电已成 为用 （ 常值 ） 异 和转 折 点 ，研究 它 是 由偶 然 的 ，还 电结构 中重要 组成 部 分。照 明用 电虽 然 电量 是其 他什 么确定 的原 因所 致 。 每 年不 同 时期 ，气 象与 负荷 的关 系均 有 不 多 ，但 负荷 占尖 峰 时间 内的 比重较 大 ，对 ② 查 明 异 常 值 的 原 因后 ，加 以 处 理 ， 些必 然 的联 系 。如前 面分 析过 的 夏季温 度 系统 负荷 综合 曲线 有决 定性 影 响 ，从 预测 角 对 于 异 常 值 ，常 用 的 处 理 方 法 是 ，设 负 荷 上升 、冬 季气 温下 降 ，不 同季 节典 型晴天 、 度来 说 ，照 明用 电仅与 光照 度有 关 ，负荷 总 历 史数 据为 ，… … ，令； 。 ＝ ，若 ＞ 雨 天 等 ，建 立 它们 与负 荷变 化相 关联 的档 案 量基 本上 是 固定 的 ，只需 根 据光 照度 和时 间 （ ＋ ０ ），取Ｘ ＞ （ ＋ ０ ）；若 Ｘ ＜ １２ ％ １ ２ ％ 资 料 ，加 以分 析 ，制成 表格 ，以供 查 询 ，并 产生 一块较 为 固定 的负荷 ，累加 在负荷 曲线 （ － ０ ）。从 而使 历史 数据 序 列趋 于平 稳 经 常性 对表 格进 行修 改 和补 充 ，可逐 渐掌 握 １２ ％ 上 ，相对 比较稳 定 ，容易 预测 。 由于�
基于相似日的PSO-ELM算法的短期负荷预测研究
收稿日期：２０１９ ０９ ２０基金项目：太原工业学院院级青年基金（２０１７ＬＱ０４）作者简介：李娜（１９８８－），女，河北衡水人，太原工业学院自动化系讲师，硕士，主要研究方向：配电网负荷预测、规划与评价研究，Ｅ ｍａｉｌ：７３１０２３１４８＠ｑｑ．ｃｏｍ。
第３８卷 第３期 Ｖｏｌ．３８ Ｎｏ．３２０２０年９月 太原学院学报（自然科学版） Ｓｅｐ．２０２０基于相似日的ＰＳＯ ＥＬＭ算法的短期负荷预测研究李 娜（太原工业学院自动化系，山西太原０３０００８）摘 要：为提高负荷预测精度，针对极限学习机算法（ＥＬＭ）参数选取的随机性，将粒子群算法（ＰＳＯ）与极限学习机算法相结合，提出了基于粒子群 极限学习机ＰＳＯ ＥＬＭ短期负荷预测方法，利用ＰＳＯ算法的寻优能力合理确定ＥＬＭ参数。
利用欧洲智能技术网络竞赛１９９７负荷数据进行验证。
结果表明，研究方法预测精度高而且稳定。
关键词：小波分析；相似日；ＰＳＯ ＥＬＭ；短期负荷预测中图分类号：ＴＭ７１５ 文献标识码：Ａ 文章编号：２０９６ １９１Ｘ（２０２０）０３ ００１９ ０４犇犗犐：１０．１４１５２／ｊ．ｃｎｋｉ．２０９６ １９１Ｘ．２０２０．０３．００５０ 引言 精确的短期负荷预测对于优化居民、节能减排具有重要的参考价值［１］。
短期的负荷预测用于预测下一天的负荷值。
每天的负荷具有周期性，主要体现在不同日的日负荷曲线其整体规律和同一星期类型日负荷规律相似［２］。
基于负荷的这个特点，本文提出的负荷预测方法是通过选取相似日作为样本，用粒子群－极限学习机（ＰＳＯ ＥＬＭ）方法进行预测下一天负荷值。
首先利用聚类分析方法选取相似日，将相似日进行小波分析，对其中的周期性数据，利用ＰＳＯ ＥＬＭ进行负荷，然后将预测结果与分周期性结果加权求和，并利用欧洲智能技术网络竞赛１９９７负荷数据进行验证。
结果表明，该方法预测精度高，而且稳定。
图１ 聚类分析结果图Ｆｉｇ．１ Ｃｌｕｓｔｅｒａｎａｌｙｓｉｓｒｅｓｕｌｔｓ１ 相似日的选取 经济、天气、日期的类型等影响负荷的大小，并且相似的日期类型负荷大小比较相近，因此本文利用负荷曲线的相似度来选取相似日，以待预测日一周数据，前７ｄ数据、前１４ｄ数据、前２１ｄ数据，以此类推得到相似日的候选日，利用负荷曲线的距离来进行聚类分析，从聚类结果中找到与预测日最近的历史日［３］。
基于相似日负荷修正的节假日短期负荷预测
第38 卷第7 期电力系统保护与控制Vol.38 No.7 2010 年4 月1 日Power System Protection and Control Apr.1, 2010 基于相似日负荷修正的节假日短期负荷预测林辉1，刘晶2，郝志峰2，朱锋峰2，吴广潮2（1.广电集团公司惠州供电分公司，广东惠州 516000；2.华南理工大学理学院，广东广州510640）摘要：针对短期负荷预测中节假日的特殊性，提出基于相似日负荷修正的算法。
为了克服节假日样本较少所导致的预测困难，将近期周末扩充到相似日样本中。
该算法评估相似性时综合考虑气象和时间因素。
针对气象因素，采用灰色关联分析法来计算，而对于时间因素，兼顾到“近大远小”和“周期性”的原则，并以二者相似度的乘积量化总体相似性，选出若干相似日。
考虑到类型日和年周期对负荷的影响，基于“历年节假日与周末负荷比例”和“负荷年增长率”分别修正相似周末和相似节假日的负荷。
该算法应用到某地级市的预测中，平均相对误差为2.29%。
关键词：相似日；节假日；短期负荷预测；负荷修正；气象；时间Short-term load forecasting for holidays based on the similar days’ load modificationLIN Hui1，LIU Jing2，HAO Zhi-feng2，ZHU Feng-feng2，WU Guang-chao2（1. Huizhou Power Supply Branch，Guangdong Power Grid Group Co. Ltd, Huizhou 516000，China；2. College of Science，South China University of Technology，Guangzhou 510640，China）Abstract：According to the specificity of short-term load forecasting for holidays，an algorithm is proposed based on the similar days’load modification．In order to overcome the difficulty due to few samples，recent weekends are added to the samples from which similar days are selected．Moreover，when it comes to assess the similarity，this algorithm takes into account the meteorology and time．The similarity in meteorology is obtained with grey correlation analysis method, while the similarity in time takes into consideration of “near greater far smaller” and “cyclical” principle．Furthermore，the product of these two is to evaluate the overall similarity in terms of which the similar days are selected．In addition，considering that the day type and annual cycle have an impacton the load，the load of similar weekends is modified on the basis of the proportion between the previous holiday and corresponding weekend while that of similar holidays is amended on grounds of the rate at which load grows．Finally，this algorithm is put into practical operation，and it offers an average relative error of 2.29%．Key words：similar day；holiday；short-term load forecasting；load modification；meteorology；time中图分类号：TM715 文献标识码：A 文章编号：1674-3415(2010)07-0047-050 引言电力系统短期负荷预测是电力部门的一项重要工作，短期负荷预测的精度对电网运行的安全性、经济性以及电能质量都有着重要影响。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
相似日负荷预测在杭州电网中的应用
作者：赵天煜于浩
来源：《华中电力》2014年第03期
一、摘要
电力工业是国家的重大基础行业，是国民经济的命脉，电力对于我国经济建设、国家安全、社会稳定、生活质量具有至关重要的作用，现代文明社会已经处处离不开电力供应。
负荷预测精度的提高，对于经济优化地制订发电计划、制订经济合理的电力调配计划等方面具有重要意义，具有直接而重大的经济效益和社会效益。
因此，电力公司对电力负荷预测的精度要求也越来越高。
电力负荷预测工作是十分复杂和困难的，，预测工作受到大量复杂影响因素的多重干扰影响，例如：气象、需求、经济、系统、市场、价格、竞争、政策、策略、政治、领域、经验等，因此需要认真学习负荷预测理论方法，研究如何开发实际的电力负荷预测系统。
本文就杭州地区的负荷现状，提出相似日模型进行研究。
关键字：负荷预测、相似日，杭州电网
二、预测方法
常用的短期负荷预测的方法有线性回归、时间序列、人工神经网络法以及神经网络与模糊逻辑相结合等。
1线性回归
回归分析是寻找自变量与因变量之间存在的关系及其回归方程式，即确定适当的函数类型和响应参数，拟合一条最佳曲线，将此线外延至未来适当时刻，在已知自变量取值时得到因变量的预测值。
2卡尔曼滤波
卡尔曼滤波法，是建立状态空间模型，把负荷作为状态变量，用状态方程和量测方程来描述。
卡尔曼滤波算法递推地进行计算，适用于在线负荷预测。
这是在假定噪声的统计特性已知的情况下得出的。
实际上，估计噪声的统计特性是该方法的难点所在。
3相似日理论
在预测实践中，不同的预测方法提供不同的有用信息，其预测精度往往也不同，如果简单地将预测误差较大的一些方法舍弃掉，将会丢失一些有用的信息，更科学的做法是，综合利用各种预测方法所提供的信息，尽可能地提高预测精度和稳定性。
组合预测模型相对单一模型的预测优势早已成为共识。
实际情况中，预测工作者并不知道待预测日的实际负荷，因此，有学者提出从每种方法对实际待预测日前N天的预测结果来判定每种方法的优劣点，以此来决定各单一预测方法在组合模型的权重大小，这也就是虚拟预测的思想。
三、杭州地区负荷特性
杭州电网位于杭嘉湖平原，属于超大型地区电网，截至2011年底，杭州电网最大网供负荷9701MW，全社会最大负荷为10009MW。
其中，地方电厂6000kW及以上机组最大出力818MW，占全社会总负荷的8.17%。
杭州电网的负荷特性：
1）年负荷特性：
各季节负荷分布不平衡，夏季高峰负荷比冬季负荷高出约1/3；根据杭州地区的气候条件，居民生活用电占据很大份额，夏季制冷负荷明显加大，且电力负荷随气候变化效果显著。
另外，特殊长假期间电力负荷特殊性明显。
2）周负荷特性：
电力负荷基于周周期性发展，每周的周一至周日，电力负荷都经历了低一高—低的发展过程。
即存在相似性。
3）日负荷特性：
电力负荷存在非常明显的以日为间隔的周期性，日负荷曲线中日蜂、晚峰和日谷的区分明显，且出现的时刻基本固定。
另外，周末负荷的幅值较工作日为低，但日负荷曲线的形状变化不大，气象条件对该地区电力负荷的影响很大。
总而言之，地区电力负荷具有以下特征：
1.电力负荷随季节变化、日周期性、周周期性规律明显。
2.气象条件是影响电力短期负荷的最大因素。
3.节假日，特别是特殊长假期对电力负荷的影响明显。
4.民用负荷份额较大。
5.夏季制冷负荷明显。
负荷预测的核心问题是预测的技术方法，随着现代科学技术的不断进步，负荷预测理论技术有了很大的发展。
针对于地方的负荷预测，关键是要选择适合本地特点的预测模型。
在充分研究宜昌负荷特性的基础上。
采用了三种负荷预测模型用于杭州电网的负荷预测。
随着近年来经济的高速发展，产业结构的不断调整和地方政策的不断完善，杭州地区的负荷结构正在不断的调整，分为：基础负荷，它呈由城市民用负荷、农业负荷、商业负荷和其他负荷组成；工业负荷，它是由大工业负荷和高耗能负荷组成。
截止2011年底，在夏季高峰有序用电及拉闸限电的情况下，杭州地区最高总负荷约10000MW。
此时包括大工业负荷400MW，高耗能负荷3400W，基础负荷6200W左右。
四、算例分析：
一般非正常日的分析预测（杭州下辖某县，2012年春季正常情况）
算例如下：
预测日：2012年4月9日（周一），气温13～17度，阴有时有小雨，微风
相关日：2012年4月8日（上周日），气温12～17度，多云，微风
2012年4月7日（上周六），气温12～18度，晴到多云，无风
2012年4月6日（上周五），气温13～18度，晴到多云，无风
2012年4月5日（上周四），气温12～16度，多云，无风
2012年4月2日（上周一），气温10～13度，阴，无风
直接通过相似日模型（气温和降雨两个信度指标）匹配到的是4月8日（上周日）的曲线。
1）第一特征时间段（00：00～05：30）：该段曲线处于下行阶段，05：30为拐点，负荷转而上行。
在此阶段选择4月8日（上周日）为相似日的最佳，但参考的是该相似段的形状，这是曲线3要素（形状、曲线拐点、特征点）中匹配度最好的因素。
然后通过曲线向下平移17MW左右（最低气温相差1度，周日和周一夜间负荷差近期均为15MW左右）得到预测结果。
2）第二特征时间段（05：45～07：00）：该段曲线开始上行，但形状只和2012年4月2日（上周一）略有相近，并不好判断，但特征点07：00的值却可以近似得出，即比周五07：00的数值低10MW左右。
将两点连接，再根据指数平滑模型进行平滑处理得到预测结果。
3）第三特征时间段（07：15～09：00）：该段曲线继续上行，此时上行的斜率比周五曲线略高。
同样选择特征点为09：00，特征值和周五一致，两点连接后再平滑处理得到结果。
4）第四特征时间段（09：15～10：30）：该段曲线的10：30这个时间点为春季负荷最大值的点，这个点的值综合2012年4月6日（上周五）和2012年4月5日（上周四）的值得出，同样两点连接后再平滑处理。
5）第五特征时间段（10：45～11：45）：该段曲线经过最高点后开始下行，至11：45左右为止。
寻找的是拐点（11：45）的值，同样两点连接后平滑处理。
6）第六特征时间段（12：00～12：45）：该段曲线再次升高，同上处理得出该段结果。
7）从第七时间段开始至最后（13：00～24：00）：最好的办法是根据2012年4月2日（上周一）的曲线形状从12：45开始做，并在最后一个时间段（22：30～24：00）内向下微调5WM（减去少量夜间空调负荷的影响）
结果较一般相似日准确率从96.5%提高至98%
五、参考文献：
[1]赵登福，王蒙等.基于支撑向量机方法的短期负荷预测.中国电机工程学报，2002
[2]康重庆，夏清，刘梅. 电力系统负荷预测.中国电力出版社，2007
[3]杨镜非，程浩忠.SUM在电网短期负荷预测中应用研究.电力自动化设备，2004。