負(fù)荷預(yù)測在電力系統(tǒng)中起非常重要的作用，它是電網(wǎng)調(diào)度計劃制定、市場交易和電網(wǎng)規(guī)劃的重要依據(jù)，為電網(wǎng)運行和電網(wǎng)規(guī)劃等眾多應(yīng)用提供基礎(chǔ)數(shù)據(jù)，其預(yù)測精度既影響計劃的合理性和校核的準(zhǔn)確性，也會影響到電網(wǎng)的安全穩(wěn)定運行，同時直接影響到配電網(wǎng)規(guī)劃中電源的布點以及目標(biāo)網(wǎng)架的結(jié)構(gòu)和規(guī)模。負(fù)荷變化具有一定的周期性，但同時受到氣象、地理、經(jīng)濟等各種因素的影響，加上不同的負(fù)荷類型本身的特性和變化規(guī)律，使得精確預(yù)測負(fù)荷具有一定的難度，現(xiàn)階段負(fù)荷預(yù)測仍存在較大誤差，在智能電網(wǎng)環(huán)境下，電源形式的多元化、供需雙方的互動化與控制的智能化將對負(fù)荷預(yù)測提出更高的要求。負(fù)荷數(shù)據(jù)是負(fù)荷預(yù)測的基礎(chǔ)，掌握負(fù)荷變化規(guī)律是提高負(fù)荷預(yù)測精度的重要手段。

       負(fù)荷數(shù)據(jù)包括實時負(fù)荷數(shù)據(jù)和歷史負(fù)荷數(shù)據(jù)。實時負(fù)荷數(shù)據(jù)是當(dāng)前時刻電網(wǎng)系統(tǒng)負(fù)荷的實際值；歷史負(fù)荷數(shù)據(jù)是電網(wǎng)負(fù)荷的歷史數(shù)據(jù)，通過歷史負(fù)荷數(shù)據(jù)分析掌握負(fù)荷變化規(guī)律。對于用戶負(fù)荷數(shù)據(jù)，包括全部負(fù)荷數(shù)據(jù)、分行業(yè)分類別負(fù)荷數(shù)據(jù)、用戶負(fù)荷曲線等數(shù)據(jù)，通過用戶負(fù)荷分析能夠更細(xì)粒度掌握負(fù)荷需求和變化特征。

       負(fù)荷預(yù)測按照預(yù)測對象不同，分為系統(tǒng)負(fù)荷預(yù)測、母線負(fù)荷預(yù)測、空間負(fù)荷預(yù)測等，按照預(yù)測時間尺度不同，可以分為超短期、短期和中長期負(fù)荷預(yù)測。由于不同預(yù)測類型的不同特點，基于大數(shù)據(jù)技術(shù)的負(fù)荷預(yù)測也需要區(qū)別分析。綜合電網(wǎng)運行負(fù)荷數(shù)據(jù)、氣象數(shù)據(jù)、地理信息系統(tǒng)、人口、經(jīng)濟、節(jié)假日等數(shù)據(jù)，基于用戶用電行為分析，通過關(guān)聯(lián)分析、回歸分析、神經(jīng)網(wǎng)絡(luò)等各種數(shù)據(jù)挖掘和分析方法，識別影響負(fù)荷的敏感成分，進而構(gòu)建不同類型不同目標(biāo)的負(fù)荷預(yù)測模型，如系統(tǒng)短期負(fù)荷預(yù)測模型。采用大數(shù)據(jù)分析和預(yù)測方法，對電網(wǎng)負(fù)荷進行預(yù)測計算，預(yù)測結(jié)果將應(yīng)用到電網(wǎng)規(guī)劃、節(jié)能經(jīng)濟調(diào)度等領(lǐng)域。

       負(fù)荷預(yù)測是一種典型的時間序列預(yù)測，目前負(fù)荷預(yù)測的方法主要有傳統(tǒng)的數(shù)學(xué)擬合方法、機器學(xué)習(xí)方法以及灰色系統(tǒng)理論。傳統(tǒng)的數(shù)學(xué)擬合的方法以自回歸模型以及其衍生模型為代表，主要有自回歸滑動平均法(auto-regressive and moving average，ARMA)以及累積自回歸滑動平均(auto-regressive integrated moving average， ARIMA)。這類方法處理方式簡單，易于應(yīng)用，對數(shù)據(jù)量的要求也不高，但是對數(shù)據(jù)的平穩(wěn)性要求很高，因此該類方法做負(fù)荷預(yù)測準(zhǔn)確度不是很高。另一類負(fù)荷預(yù)測的方法是基于機器學(xué)習(xí)理論的，目前主要有神經(jīng)網(wǎng)絡(luò)方法、支持向量機方法以及小波分析理論等。其中神經(jīng)網(wǎng)絡(luò)具有強大的非線性擬合能力，并且有較強的適應(yīng)性，因此在負(fù)荷預(yù)測領(lǐng)域得到廣泛的應(yīng)用。但是，神經(jīng)網(wǎng)絡(luò)也有本身的缺陷，如學(xué)習(xí)的時候容易陷入局部最優(yōu)、迭代次數(shù)不好確定、泛化誤差比較大以及隱層神經(jīng)元難以確定等。針對這些缺陷，在負(fù)荷預(yù)測領(lǐng)域模糊與神經(jīng)網(wǎng)絡(luò)相結(jié)合、小波與神經(jīng)網(wǎng)絡(luò)相結(jié)合、極限學(xué)習(xí)機方法以及智能優(yōu)化算法與神經(jīng)網(wǎng)絡(luò)相結(jié)合的方法被提出來。近年來，灰色系統(tǒng)理論也被廣泛應(yīng)用與負(fù)荷預(yù)測。灰色系統(tǒng)對于貧信息、不確定序列的預(yù)測有著本身的優(yōu)勢，而電力負(fù)荷序列屬于典型的貧信息、隨機波動不確定系統(tǒng)，因此負(fù)荷預(yù)測比較適宜采用灰色系統(tǒng)理論進行建模。

       電力負(fù)荷序列從數(shù)據(jù)特征上有明顯的周期性，即有年度周期性又有24h周期性。但是目前所有的模型只是從數(shù)據(jù)本身進行建模分析，都沒有很好地利用電力負(fù)荷序列的周期性特性。而數(shù)據(jù)的周期性特性對于序列預(yù)測而言是一個重要的輔助特性。為了能進一步提高負(fù)荷預(yù)測的準(zhǔn)確性及穩(wěn)定性，提出一種周期性截斷灰色系統(tǒng)來對電力負(fù)荷進行預(yù)測。該方法改變了傳統(tǒng)的灰色GM(1,1)的累加方式，通過周期截斷累加生成操作實現(xiàn)序列的累加。該模型有效的利用了序列的周期性特性，提高了預(yù)測的準(zhǔn)確性及可靠性。實際負(fù)荷序列的測試表明該方法比傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)、極限學(xué)習(xí)機、自回歸模型以及傳統(tǒng)的灰色系統(tǒng)模型準(zhǔn)確度更高。