电力负荷预测.docx

电力负荷预测是电力系统规划的重要组成部分，也是电力系统经济运行的基础，其对电力系统规划和运行都极其重要。 　　
电力负荷预测包括两方面的含义，即用以指安装在国家机关、企业、居民等用户处的各种用电设备，也可用以描述上述用电设备所消耗的电力电量的数值。 　
电力负荷预测是以电力负荷为对象进行的一系列预测工作。从预测对象来看，电力负荷预测包括对未来电力需求量（功率）的预测和对未来用电量（能量）的预测以及对负荷曲线的预测。其主要工作是预测未来电力负荷的时间分布和空间分布，为电力系统规划和运行提供可靠的决策依据。
负荷预测是电力系统调度、用电、计划和规划等管理部门的重要工作之一。提高负荷预测技术水平,有利于用电管理,有利于合理安排电网运行方式和机组检修计划,有利于节煤、节油和降低发电成本,有利于制定合理的电源建设规划,有利于提高电力系统的经济效益和社会效益。 本文的第一章主要介绍了负荷预测的概念、分类与特点,以及负荷预测的基本步骤和误差分析;在第二、三章介绍了各类电力系统负荷预测的常用方法的特点和适用范围,着重分析了一些预测新技术,如灰色预测、专家系统预测、神经网络预测、小波分析预测等的模型结构、功能特点、适用范围,并说明了各类方法在电力系统的实际应用情况;同时,在第四章还提出了几种综合负荷预测模型,并介绍了利用遗传算法、蚁群算法优化权重的方法;第五章阐述了一些提高负荷预测精度的措施。

关键词： 电力系统 负荷预测 电网运行方式

Power system load forecasting is an important part of planning is the basis for economic operation of power system, its power system planning and operation are extremely important.
Load forecasting, including two meanings, that is used to refer installation in the state organs, enterprises, residents and other users at a variety of electrical equipment, can also be used to describe the power consumed by electrical equipment, power values.
Load forecasting power load for the object is a series of forecasting. View objects from the forecast, load forecast including future power demand (power) of the forecast and future consumption (energy) load forecast and the forecast curve. Its main job is to predict the future distribution of power load and spatial distribution of the time, for the power system planning and operation to provide a reliable basis for decision making.
Scheduling of power system load forecasting, electricity, planning and planning one of the important work of management. Improve the load forecasting technology is conducive to electricity management, is conducive to operation mode and reasonable arrangements for unit maintenance scheduling will help save coal, fuel economy and reduce the cost of power generation, power is conducive to the development of rational construction plan will help improve power system Economic and social benefits. In the first chapter introduces the concept of load forecasting, classification and characteristics, and the load forecast and error analysis of the basic steps; in the second and third chapter describes the various types of power system load forecasting characteristics of the common methods and scope, analyzes the Some predict the new technologies, such as prediction, forecasting expert system, neural network, wavelet analysis prediction of the model structure, functional characteristics, scope, and describes the various methods in the practical application of power system; the same time, in Several chapters also proposed integrated load forecasting model, and introduced the use of genetic algorithms, ant colony optimization method of weight; chapter describes a number of measures to improve the accuracy of load forecasting.

Power Systems Load Forecasting Operation mode

目 录

摘 要 I
绪 论 1
第1章 电力负荷预测综述 2
1.1 电力负荷预测的含义 2
1.2 电力负荷预测的意义 2
第2章 电力负荷分析 3
第3章 电力负荷预测的内容及程序 4
3.1 电力负荷预测的内容 4
3.2 电力负荷预测的程序 4
第4章 电力负荷预测模型及基本算法 7
4.1 电力负荷预测模型 7
4.2 电力负荷预测基本算法 11
第5章 电力短期负荷预测研究 17
5.1 基于温度准则的外推方法 17
5.2 基于人工神经网络日负荷预测 19
第6章 电力系统短期负荷预测建模 25
6.1 基于神经网络的预测原理 25
结束语 27
参考文献 28
谢 辞 29

电力系统短期负荷预测对未来1日至1周的负荷进行预测。短期负荷预测是随着电力系统EMS的逐步发展而发展起来的，现已经成为EMS必不可少的一部分和为确保电力系统安全经济运行所必需的手段之一。随着电力市场的建立和发展，对短期负荷预测提出了更高的要求，短期负荷预测不再仅仅是EMS的关键部分，同时也是制定电力市场交易计划的基础。电力系统负荷预测为这一地区电力规划奠定了一定的基础，同时也为这一地区电力工业布局、能源资源平衡、电力余缺调剂，以及电网资金和人力资源的需求与平衡提供可靠的依据。因此，电力负荷预测是一项十分重要的工作，它对于保证电力工业的健康发展，乃至对于整个国民经济的发展均有着十分重要的意义。
短期负荷预测技术经过几十年的发展，人们提出了许多的预测方法。现有的预测方法大体可以分为2类：经典的数学统计方法以及上世纪90年代兴起的各种人工智能方法。经典的数学统计方法包括线性外推法、多元线性回归法、时间序列法和状态空间法等。人工智能方法包括人工神经网络法、专家系统方法和模糊推理方法、小波分析等。
在对大量历史负荷数据进行统计分析的基础上，根据电力负荷的特点，在考虑天气温度、日类型、实际历史负荷等因素对预测负荷影响的基础上，本文介绍了一种基于BP神经网络的短期负荷预测方法。其中首先根据实际经验将一周的7天分为工作日（星期一到星期五）和休息日（星期六和星期天）等两种类型；然后建立相应的人工神经网络模型用以预测负荷归一化系数；最后通过最小二乘法预测日最大负荷和日最小负荷。利用相应的BP神经网络方法对未来24小时负荷进行短期预测，该方法充分发挥了神经网络处理非线性问题的能力和人工神经网络自学习、自适应的优点。实际算例表明，这种方法应用在短期负荷预测方面有较高的精度。

电力负荷有两方面的含义：一方面是指电力工业的服务对象，包括使用电力的部门、机关、企事业单位、工厂、农村、车间、学校以及各种各样的用电设备；另一方面是指上述各用电单位、用电部门或用电设备使用电力和电量的具体数量。电力负荷预测中的负荷概念是指国民经济整体或部门或地区对电力和电量消费的历史情况及未来的变化发展趋势。
电力负荷预测就是在正确的理论指导下，在调查研究掌握大量翔实资料的基础上，运用可靠的方法和手段对电力负荷的发展趋势作出科学合理的推断。本文基于神经网络的电力短期负荷预测就是在大量有关电力短期负荷研究和神经网络理论的指导下，在充分调查研究处理了某市某年某月一个月700多组数据后，应用了神经网络理论与MATLAB的实现方式，进行了编程仿真，得出了月底某工作日和某休息日两天的各小时点的具体负荷。较高的预测精度充分表明了它的科学合理性。

电力用户是电力工业的服务对象，电力负荷的不断增长是电力工业发展的根据。正确地预测电力负荷，既是为了保证无条件供应国民经济各部门及人民生活以充足的电力的需要，也是电力工业自身健康发展的需要。电力负荷预测工作既是电力规划工作的重要组成部分，也是电力规划的基础。全国性的电力负荷预测，为编制全国电力规划提供依据，它规定了全国电力工业的发展水平、发展速度、源动力资源的需求量，电力工业发展的资金需求量，以及电力工业发展对人力资源的需求量。
本文运用神经网络对某市某年某月某日进行电力负荷的短期预测，它为这一地区电力规划奠定了一定的基础，同时也为这一地区电力工业布局、能源资源平衡、电力余缺调剂，以及电网资金和人力资源的需求与平衡提供可靠的依据。因此，电力负荷预测是一项十分重要的工作，它对于保证电力工业的健康发展，乃至对于整个国民经济的发展均有着十分重要的意义。

本文对某市进行电力短期负荷预测，电力负荷的构成与特点如下：电力系统负荷一般可以分为城市民用负荷、商业负荷、农村负荷、工业负荷以及其他负荷等，不同类型的负荷具有不同的特点和规律。
城市民用负荷主要是城市居民的家用电器，它具有年年增长的趋势，以及明显的季节性波动特点，而且民用负荷的特点还与居民的日常生活和工作的规律紧密相关。商业负荷，主要是指商业部门的照明、空调、动力等用电负荷，覆盖面积大，且用电增长平稳，商业负荷同样具有季节性波动的特性。虽然商业负荷在电力负荷中所占比重不及工业负荷和民用负荷，但商业负荷中的照明类负荷占用电力系统高峰时段。此外，商业部门由于商业行为在节假日会增加营业时间，从而成为节假日中影响电力负荷的重要因素之一。 工业负荷是指用于工业生产的用电，一般工业负荷的比重在用电构成中居于首位，它不仅取决于工业用户的工作方式(包括设备利用情况、企业的工作班制等)，而且与各行业的行业特点、季节因素都有紧密的联系，一般负荷是比较恒定的。农村负荷则是指农村居民用电和农业生产用电。此类负荷与工业负荷相比，受气候、季节等自然条件的影响很大，这是由农业生产的特点所决定的。农业用电负荷也受农作物种类、耕作习惯的影响，但就电网而言，由于农业用电负荷集中的时间与城市工业负荷高峰时间有差别，所以对提高电网负荷率有好处。
从以上分析可知电力负荷的特点是经常变化的，不但按小时变、按日变，而且按周变，按年变，同时负荷又是以天为单位不断起伏的，具有较大的周期性，负荷变化是连续的过程，一般不会出现大的跃变，但电力负荷对季节、温度、天气等是敏感的，不同的季节，不同地区的气候，以及温度的变化都会对负荷造成明显的影响。

电力负荷预测的内容是指需要测算些什么量（或参数），归纳起来有以下一些参数需要测算。
（1）最大有功负荷及其分布。最大有功负荷的大小是确定电力系统装机规模的基础数据，换句话说是电源规划的依据。有功负荷，加上电网中损失的有功和发电厂自用有功量，再加上适量的备用容量，就等于电力系统的装机容量。有功负荷的分布是输电线路设计的基础，也是变电所配置的基础，即有功负荷的地区分布特点是输变电规划和配电规划的主要依据。
（2）无功负荷及其分布。无功负荷的大小及分布是确定电力系统无功电源规划的基础，也是影响电力系统安全经济运行的重要因素。
（3）需电量。它是进行能源供需平衡的主要依据。
（4）电力负荷曲线及其特征值。电力负荷大小及其在时间上的分布特征，对电力规划及电力系统运行是至关重要的。它是确定电力系统中电源结构、调峰容量需求、运行方式及能源平衡的主要依据。
负荷预测根据目的的不同可以分为超短期、短期、中期和长期：①超短期负荷预测是指未来1h以内的负荷预测，在安全监视状态下，需要5～10s或1～5min的预测值，预防性控制和紧急状态处理需要10min至1h的预测值。②短期负荷预测是指日负荷预测和周负荷预测，分别用于安排日调度计划和周调度计划，包括确定机组起停、水火电协调、联络线交换功率、负荷经济分配、水库调度和设备检修等，对短期预测，需充分研究电网负荷变化规律，分析负荷变化相关因子，特别是天气因素、日类型等和短期负荷变化的关系。③中期负荷预测是指月至年的负荷预测，主要是确定机组运行方式和设备大修计划等。④长期负荷预测是指未来3～5年甚至更长时间段内的负荷预测，主要是电网规划部门根据国民经济的发展和对电力负荷的需求，所作的电网改造和扩建工作的远景规划。对中、长期负荷预测，要特别研究国民经济发展、国家政策等的影响。

电力负荷预测是一个过程，其一般程序可划分为准备、实施、评价与提交预测报告四个阶段。

3.2.1 准备阶段

准备阶段的工作是由确定预测目标、落实组织工作、搜集资料、分析资料和选择方法等工作组成。
（1）确定预测目标。确定目标就是要在明确预测目的前提下，规定预测对象的范围、内容和预测期限。一般而言，预测范围视研究问题所涉及的范围而定，编制全国电力规划，就要预测全国范围内的电力、电量需求量；编制大区网局或地方（省、地、县）电力局的发展规划，就要预测大区电网或地方电力局范围内的电力、电量需求量。预测内容是指包括电力、电量、电力负荷的地区分布，电力负荷随时间的变化规律，以及电力负荷曲线特征及负荷曲线等。预测期限是指预测的时间长短，一般电力规划中负荷预测期限有短期预测（即5年期预测），中期预测（即5—10年期预测），及长期预测（即15年以上的预测）。
（2）搜集与整理资料。资料是预测的基本依据，占有的资料的充裕程度及资料的可信度，对预测结果的可信度是至关重要的。一般在做电力负荷预测时需要搜集与整理的资料主要有：电力系统历年用电负荷、用电量、用电构成；经济发展目标（如国民生产总值、国民收入等）；国民经济结构的历史、现状及可能的变化发展趋势；人口预测资料及人均收入水平；能源利用效率及用电比重的变化；工业布局及用户的用电水平指标；以及国外参考国家的上述类似历史资料。这些资料的主要来源有两种途径：一是各国政府、研究机构等定期或不定期发表的报刊、资料、文献、和其他出版物；二是预测人员通过调查所获得的资料。资料的来源统计计算口径及调查方法不同，都有对资料的可信度产生不同的影响。因此，在调查搜集资料的过程中对搜集得到的资料应进行鉴别，去粗取精，去伪存真，以保证预测中使用的资料翔实可靠。
（3）分析资料，选择预测方法。对经过鉴别整理后的资料要进行分析，以寻求其规律。在预测中常用的分析方法有多种，如时间序列分析、因果关系分析等方法。要根据资料的掌握情况及资料样式，选择相应的预测方法，寻求预测量的演变规律或趋势，建立预测模型。没有一种方法在任何预测场合下均可以保证获得满意的结果。因此，必须根据对资料的占有情况，以及预测目标、预测期限，预测环境、预测结果的精确度，同时考虑预测本身的效益成本分析等进行权衡，以便作出合理的选择。

3.2.2 实施预测阶段

在进行预测时，要依据选择的预测方法来进行预测。如果是采用定量预测方法来进行预测，就要根据建立的定量预测模型，带入预测期的自变量目标值，就可以获得预测期所要的预测变量值。如果是采用定性预测方法来进行预测，就应根据掌握的客观资料进行科学的逻辑推理，推断出预测期的预测值。
由于影响预测对象的诸因素可能会发生变化，从而可能使未来的实际结果与预测依据的历史资料呈现的规律不相吻合，预测人员必须适时的对预测模型及预测结果加以修正。这种情况下，预测人员的经验、理论素养及分析判断能力起重要的作用。

3.2.3 评价预测阶段

预测的主要成果是得到预测结果。预测结果应该是明确的，可以被检验的。因此，在得到预测结果后必须对预测结果的准确度和可靠性进行评价。务使预测误差处于可接受的范围内。若误差太大，就失去了预测的意义，并从而导致电力规划的失误。

3.2.4 题出预测报告阶段

预测报告是预测结果的文字表述。预测报告一般包括题目、摘要、正文、结论、建议、和附录等部分。
预测题目主要反映预测目标、预测对象、预测范围和预测时限。摘要通常说明预测中的主要发现、预测的结果及提出的主要建议和意见。摘要与题目配合，可以引起有关方面的重视。正文包括分析及预测过程、预测模型及说明、有关计算方法、必要的图表、预测的主要结论及对主要结论的评价。结论与建议是扼要地列出预测的主要结果，提出有关建议和意见。附录主要包括说明正文的附表、资料，预测中采用的计算方法的推导和说明，以及正文中未列出的有价值的其他资料。

针对影响系统负荷的因素，电力系统总负荷预测模型一般可以按四个分量模型描述为
L(t)=B(t)+W(t)+S(t)+V(t) （4-1）
式中，L(t)为时刻t的系统总负荷；B(t)为时刻t的基本正常负荷分量；W(t)为时刻t的天气敏感负荷分量；S(t)为时刻t的特别事件负荷分量；V(t)为时刻t的随机负荷分量。

4.1.1 基本正常负荷分量模型

不同的预测周期，B(t)分量具有不同的内涵。对于超短期负荷预测，B(t)近似线性变化，甚至是常数；对于短期负荷预测，B(t)一般呈周期性变化；而中长期负荷预测中，B(t)呈明显增长趋势的周期性变化。
所以，对于基本正常负荷分量，可以用线性变化模型和周期变化模型描述，或用二者的合成共同描述，即
（4-2）
式中， 为线性变化模型负荷分量； 为周期变化模型负荷分量。
线性变化模型可以表示为
（4-3）
式中，a,b为线性方程的截距和斜率； 为误差。
（1）线性变化模型
超短期负荷变化可以直接采用线性变化模型，将前面时刻的负荷描述成一条直线，其延长线即可预测下一时刻的负荷，如图所示。短期负荷日均值接近于常数，长期负荷年均值增长较大，甚至需要用非线性模型（二次或指数函数）描述。
针对短期负荷预测，将历史上一段日负荷L按时序画在一张图上，见图4.1所示，将及每日平均负荷X画在图上，总体看来是一条斜率接近于零的直线，可用线性模型来描述。

图4.1 负荷线性变化模型
（2）周期变化模型
周期变化模型，是用来反映负荷有按日、按月、按年的周期变化特性。如图4.2所示给出了日负荷曲线，其周期变化规律可以用日负荷变化系数 表示：
（4-4）
其中， 为一天中各小时的负荷； 为当天的日平均负荷。
L
1
2
n
n+1
···
···
8
16
24
8
16
24
24
24
16
8
图4.2 日负荷周期变化模型

图4.2给出连续几天的日负荷变化系数 曲线，其有明显的周期性，即以24小时为周期循环变化。顺序观察每天同一时刻的负荷变化系数值，可以看出他们接近于一条水平线，这样便可以用前几天的同一时刻的负荷变化系统值的平均值预测以后的值。逐小时作出日负荷变化系数的平均值，连接起来就是一天总的周期变化曲线。我们把这种反映一天24小时负荷循环变化规律的模型称为日周期变化模型。即
(t=1,2,...,24) （4-5）
式中，n为过去日负荷的天数； 为过去第 i天第t小时负荷变化系数。
这样，按线性模型预测B(t)的负荷均值X(t)，按周期变化模型预测B(t)的周期负荷变化系数Z(t)，用式（4-2）就可以得到基本负荷分量B(t)。

4.1.2 天气敏感负荷分量模型

影响负荷的天气因素，有温度、湿度、风力、阴晴等，这里以温度为例说明天气敏感负荷模型。以日负荷预测为例，给定过去若干天气负荷记录、温度记录，利用线性回归或曲线拟合方法，可以用三段直线来描述天气敏感负荷模型
（4-6）
式中，t为预测温度，可以是一日最高温度、最低温度、平均温度或是某时点温度；， 为电热临界温度和斜率， 时电热负荷增加，其斜率为 ； ， 为冷气临界温度和斜率，是冷气负荷增加，其斜率为 。
在之间一段温度上，电热和冷气均不开放，负荷和温度没什么关系。

4.1.3 特别事件负荷分量模型

特别事件负荷分量指特别电视节目、重大政治活动等对负荷造成的影响。其特点是只有积累大量的事件记录，才能从中分析出某些事件的出现对负荷的影响程度，从而作出特别事件对负荷的修正规则。这种分析可以用专家系统方法来实现，也可以简单的用人工修正来实现。人工修正方法通常用因子模型来描述。
因子模型又可以分为乘子模型和叠加模型两种。
乘子模型，是用一个乘子k来表示特别事件对负荷的影响程度，k一般接近于1，那么，特别事件负荷分量为
（4-7）
叠加模型，是直接把特别事件引起的负荷变化值 当成特别事件负荷分量 ，即
（4-8）

4.1.4 随机负荷分量模型

上述各分量的数学模型，都不适应于随机负荷分量。实际上，对于给定的过去一段时间的历史负荷记录，提取出基本负荷分量、天气敏感负荷分量和特别事件负荷分量后，剩余的残差即为各时刻的随机负荷分量，可以看成是随机时间序列。目前，处理这样问题的最有效办法是Box-Jenkins的时间序列法，其基本的时间序列模型有下述4种。
（1）自回归模型
一个自回归模型（AR）描述的过程是它的现在值可以由本身的过去的有限项的加权和及一个干扰值a(t)（假设为白噪声）来表示，即
（4-9）
在自回归模型中，模型的阶数p和系数（ =1，2，…,p）由过去值通过模型辨别和参数估计来决定。
（2）动平均模型
动平均模型（MA）描述的过程是它的现在值V(t)可由其现在和过去的干扰值的有限项的加权和来表示，即
（4-10）
同样，模型的阶数q和系数（ =1，2，…,q），由过去的历史值通过模型辨别和参数估计决定。
（3）自回归动平均模型
自回归动平均模型（ARMA）把它的现在值V(t)看作是它的过去值的有限项的加权和及其现在和过去干扰量的有限项加权的叠加，即
（4-11）
（4）累积式自回归动平均模型
非平稳随机过程多种多样，一般常见的是含有趋势项和周期项的非平稳随机过程。
某些非平稳随机序列V(t)，例如均值不为0的非平稳随机过程，经一阶差分后得到的序列（1-B）V(t)有可能是平稳的。有趋势变化的非平稳随机过程，有可能经过若干次差分后才能平稳化，即对V(t)作多次差分得到的 是一个平稳随机过程，即
（4-12）
式中，d为差分阶数；B为后移算子。
具有周期变化规律的非平稳时间序列V(t)，它按固定的周期T呈现的规律变动。如果每个时间点的值都和超前T的（t-T）值进行差分运算，那么（1- ）V(t)就变成平稳时间序列了，其中 是周期为T的后移算子。
所以，对于一个含有趋势项的非平稳随机过程，可有下式来描述：
（4-13）
它即称为ARIMA模型。
本文研究的是某城市的某年某月某日的电力系统短期负荷预测，因此，影响系统负荷的因素包括上述的四种分量模型。短期负荷预测基本模型是指24小时的日负荷预测和168小时的周负荷预测，列举其预测周期，知其基本变化规律可由线性变化模型和周期变化模型来描叙，日负荷至周负荷的变化，受特别事件影响明显，对应特别事件负荷分量模型，同附和随机负荷分量。线性变化模型用来描叙日平均负荷变化规律，将历史上一段日平均负荷按时序画在一张图上，可以看出每日平均负荷有波动，总体趋势是一条直线，可用线性模型表示。周期模型用来描叙24小时为周期的变化规律，在分析日负荷曲线形状时，除掉日平均负荷的变化因素，将连续几天的日负荷变化画在一张图上，可以看出明显的周期性，即以24小时为周期循环变化。
特别事件（天气）负荷分量，考虑时可把特别天气或天气变化看作是特别时间和其它如特别节目，重大纪念活动等合并作为特别事件考虑，也可以把有关天气对负荷的影响和其他事件出现对负荷的影响分开考虑，负荷在一定程度上，受分量影响很大，进一步提高负荷预测精度，关键是科学合理地预测特别事件负荷分量，但往往还不是一件容易的事情。
详细地考虑特别事件（天气）负荷分量，是一件复杂的工作，可以专门用专家系统来做实际工作中一般做适当简化，目前，常把特别事件和天气对负荷的影响分开考虑，特别事件用前已讲过的乘子模型或叠加模型考虑；天气变化对负荷的影响，一般主要考虑温度影响，把负荷看作是温度的函数，由历史负荷数据和温度记，通过线性同归的办法，来确定其关系。
随机负荷分量，一般由时间序列模型描述。

电力负荷预测分为经典预测方法和现代预测方法。

4.2.1 经典预测方法

（1）时间序列法
时间序列法是一种最为常见的短期负荷预测方法，它是针对整个观测序列呈现出的某种随机过程的特性，去建立和估计产生实际序列的随机过程的模型，然后用这些模型去进行预测。它利用了电力负荷变动的惯性特征和时间上的延续性，通过对历史数据时间序列的分析处理，确定其基本特征和变化规律，预测未来负荷。
时间序列预测方法可分为确定型和随机性两类，确定型时间序列作为模型残差用于估计预测区间的大小。随机型时间序列预测模型可以看作一个线性滤波器。根据线性滤波器的特性，时间序列可划为自回归(AR)、动平均(MA)、自回归-动平均(ARMA)、累计式自回归-动平均(ARIMA)、传递函数(TF)几类模型，其负荷预测过程一般分为模型识别、模型参数估计、模型检验、负荷预测、精度检验预测值修正5个阶段。
时间列模型的缺点在于不能充分利用对负荷性能有很大影响的气候信息和其他因素，导致了预报的不准确和数据的不稳定。
（2）回归分析法
回归分析法就是根据负荷过去的历史资料，建立可以分析的数学模型，对未来的负荷进行预测。从数学上看，就是利用数理统计中的回归分析方法，通过对变量的观测数据进行分析，确定变量之间的相互关系，从而实现预测目的。回归预测包括线性回归和非线性回归。
回归模型虽然考虑了气象信息等因素，但需要事先知道负荷与气象变量之间的函数关系，这是比较困难的。而且为了获得比较精确的预报结果，需要大量的计算，这一方法不能处理气候变量和负荷之间的非平衡暂态关系。
虽然经典的数学统计方法具有速度快的优点，但是其预测模型比较简单，很难准确描述负荷预测的实际模型，所以其精度较差。随着人工智能技术逐步被引入到短期负荷预测中，人们已经提出了多种基于人工智能的预测方法，其中最为典型的为基于各种人工神经网络模型的预测方法，其中以神经BP算法为代表。

4.2.2 现代负荷预测方法

20世纪80年代后期，一些基于新兴学科理论的现代预测方法逐渐得到了成功应用。这其中主要有灰色数学理论、专家系统方法、神经网络理论、模糊预测理论等。
（1)灰色数学理论
灰色数学理论是把负荷序列看作一真实的系统输出，它是众多影响因子的综合作用结果。这些众多因子的未知性和不确定性，成为系统的灰色特性。灰色系统理论把负荷序列通过生成变换，使其变化为有规律的生成数列再建模，用于负荷预测。
灰色系统理论是中国学者邓聚龙教授1982年3月在国际上首先提出来的，在国际期刊《SYSTEMS AND CONTROL LETTER》刊物上发表，题为“Control Problems of Grey Systems”,引起了国际上的充分重视。
灰色系统理论的形成是有过程的。早年邓教授从事控制理论和模糊系统的研究，取得了许多成果。后来，他接受了全国粮食预测的课题，为了搞好预测工作，他研究了概率统计追求大样本量，必须先知道分布规律、发展趋势，而时间序列法只致力于数据的拟合，不注重规律的发展。邓教授希望在可利用数据不多的情况下，找到了较长时期起作用的规律，于是进行了用少量数据做微分方程建模的研究。这一工作开始并不顺利，一时建立不起可供应的模型。后来，他将历史数据作了各种处理，找到了累加生成，发现累加生成曲线是近似的指数增长曲线，而指数增长正符合微分方程解的形式。在此基础上，进一步研究了离散函数光滑性，微分方程背景值、平射性等一些基本问题，同时也考虑了有限和无限的相对性，定义了指标集拓扑空间的灰导数，最后解决了微分方程的建模问题。
（2）专家系统方法
专家系统方法是对于数据库里存放的过去几年的负荷数据和天气数据等进行细致的分析，汇集有经验的负荷预测人员的知识，提取有关规则。借助专家系统，负荷预测人员能识别预测日所属的类型，考虑天气因素对负荷预测的影响，按照一定的推理进行负荷预测。
专家系统是一个用基于知识的程序设计方法建立起来的计算机系统（在现阶段主要表现为计算机系统），它拥有某个特殊领域内专家的知识和经验，并能像专家那样运用这些知识，通过推理，在那个领域内作出智能决策。所以，一个完整的专家系统是有四部分组成的，即知识库、推理机、知识获取部分和解释界面。
专家系统方法总结了目前城网中长期负荷预测中的可行模型，针对目前方法存在的片面性，首次尝试把专家系统技术应用到负荷预测上，从而克服单一算法的片面性；同时，全过程的程序化，使得方法还具有快速决断的优点。负荷预测是城网规划部门所面临的较难处理的基础工作，还由于预测过程容易出现人为差错及预测专家比较缺乏，使本方法具有较为广泛的使用前景。专家系统法利用了专家的经验知识和推理规则，使得假日或重大活动日子的负荷预报精度得到了提高。但是，把专家知识和经验等准确地转化为一系列规则是非常不容易的。
（3）神经网络理论
运用神经网络技术进行电力负荷预测，其优点是可以模仿人脑的智能化处理，对大量非结构性、非精确性规律具有自适应功能，具有信息记忆、自主学习、知识推理和优化计算的特点，特别的，其自学习和自适应功能是常规算法和专家系统技术所不具备的。因此，预测被当作人工神经网络（简记为ANN）最有潜力的应用领域之一，许多人都试图应用反传学习算法训练ANN。以用作时间序列预测。误差反向传播算法又称为BP法，提出一个简单的三层人工神经网络模型，就能实现从输入到输出间非线性映射任何复杂函数关系。因此，我们可以将对电力负荷影响最大的几种因素作为输入，即当天的天气温度、天气晴朗度（又称为能见度）、风向风力、峰谷负荷及相关负荷等，争取获得较好的预测结果。
神经网络理论是利用神经网络的学习功能，让计算机学习包含在历史负荷数据中的映射关系，再利用这种映射关系预测未来负荷。由于该方法具有很强的鲁棒性、记忆能力、非线性映射能力以及强大的自学习能力，因此有很大的应用市场，但其缺点是学习收敛速度慢，可能收敛到局部最小点；并且知识表达困难，难以充分利用调度人员经验中存在的模糊知识。
（4）小波分析预测技术
小波分析（Wavelet）是本世纪数学研究成果中最杰出的代表。它作为数学学科的一个分支，吸取了现代分析学中诸如泛函分析、数值分析、Fourier分析、样条分析、调和分析等众多分支的精华，并包罗了它们的特色。由于小波分析在理论上的完美性以及在应用上的广泛性，在短短的几年中，受到了科学界、工程界的高度重视，并且在信号处理、图象处理、模式识别、地震预报、故障诊断、状态监视、CT成象、语言识别、雷达等十几个科学领域中得到应用。小波分析为本世纪现代分析学作了完美的总结。
小波分析方法的提出，可以追溯到1910年Harr提出的“小波”规范正交基及1938年Littlewood-Paley对Fourier变换的相位变化本质上不影响函数的L-P理论。1981年Stromberg对Harr 系进行了改进，证明小波函数的存在。1984年法国地球物理学家Morlet在分析地震波的局部性时，把小波运用于对信号分解，取得了满意的分析结果。随后，理论物理学家Grossman对Morlet的这种信号方法进行了理论研究，这无疑为小波分析的形成奠定了基础。
1986年，法国数学家Mayer创造性地构造出了一个具有一定衰减特性的光滑函数，它的二进制伸缩和平移系构成L（R）的规范正交基，实现了信号在时频空间同时局部化的正交分解。他为小波理论的形成和完善作出了重大贡献，是小波理论的奠基人之一。1987年，Mallat巧妙地将计算机视觉领域内的多尺度分析的思想引入到小波分析中小波函数的构成及信号按小波变换的分解及重组，从而成功地统一了此前的各种具体小波函数的构造，并研究了小波变换的离散化情形，得到相应的Mallat金字塔式算法，显著地减少了计算量，使小波分析具有工程实用价值。