西北电网电力负荷预测研究
电力负荷预测技术的研究及应用分析
电力负荷预测技术的研究及应用分析在当今社会，电力已经成为人们日常生活中必不可少的能源之一。
然而，由于负荷波动大、负荷集中度高等因素的影响，电力供需之间存在着较大的不平衡，从而导致电力调度和运营面临着一定的压力和挑战。
针对这一问题，电力负荷预测技术应运而生，通过科学的预测方法对电力负荷进行准确、稳定的预测，为电力调度和运营提供有效的决策支持。
一、电力负荷预测技术的研究电力负荷预测技术是一种综合应用多个学科知识的跨领域技术，主要包括建模、算法、数据挖掘等方面。
在建模方面，通常采用历史数据或实时数据建立负荷预测模型，其中包括时间序列分析、回归分析、神经网络等模型。
在算法方面，常见的算法有支持向量机、决策树、朴素贝叶斯等。
数据挖掘方面，主要应用于数据的预处理、特征提取、模型评估等环节。
在具体的应用中，电力负荷预测技术主要分为短期和长期预测两种类型。
其中，短期预测一般指下一日、下一周等时间跨度内的负荷预测，而长期预测则是基于更长时间跨度（如几个月或一年）进行的负荷预测。
对于不同类型的预测，通常采用不同的算法和模型进行预测分析。
二、电力负荷预测技术的应用分析电力负荷预测技术具有广泛的应用前景，主要涉及电力调度、能源规划、节能减排等领域。
在电力调度方面，电力负荷预测技术可以为电网运营和电力市场的管理提供较为准确的负荷预测结果，为电力调度的决策提供良好的基础。
在能源规划方面，电力负荷预测技术可以预测未来的能源需求，制定更为合理的能源规划方案。
在节能减排方面，电力负荷预测技术可以为能源消费量的预测提供依据，从而优化能源结构和节能减排。
除此之外，电力负荷预测技术还有许多其他的应用领域，例如，配电网规划、电力市场交易等。
在配电网规划方面，电力负荷预测技术可以为配电网的规划与设计提供依据，为未来的配电网建设提供指导和规划。
在电力市场交易方面，电力负荷预测技术可以提高市场参与者的预测能力，为电力市场交易提供更为有效的交易机制。
电力系统负荷预测研究综述与发展方向的探讨
电力系统负荷预测研究综述与发展方向的探讨电力系统负荷预测是电力系统经济运行和调度的重要环节，其准确性直接影响着电力系统的安全稳定运行。
随着电力系统的发展和现代化，负荷预测技术也在不断革新和发展。
本文将对电力系统负荷预测的研究现状进行综述，并探讨其未来的发展方向。
一、负荷预测研究现状1. 传统负荷预测方法传统的负荷预测方法主要包括时间序列分析、回归分析和专家系统等。
时间序列分析是最常用的方法之一，通过对历史负荷数据进行分析得出未来的负荷趋势。
回归分析则是通过建立与负荷相关的指标来预测未来负荷。
专家系统则是利用专家知识和经验来进行负荷预测。
这些方法在一定程度上能够满足负荷预测的需求，但受限于模型的复杂性和准确性。
随着数据挖掘和机器学习技术的发展，基于统计模型的负荷预测方法逐渐成为主流。
这些方法包括支持向量机、神经网络、随机森林等。
这些方法能够通过对历史数据的学习和建模来进行负荷预测，能够适应不同的负荷变化规律和复杂性。
基于统计模型的负荷预测方法在预测精度和实用性上有了显著提升，成为当前电力系统负荷预测的主流方法。
3. 基于深度学习的负荷预测方法近年来，随着深度学习技术的发展，基于深度学习的负荷预测方法也逐渐受到关注。
深度学习技术能够通过对大量数据的学习和训练来提高模型的预测能力，具有适应复杂系统和非线性关系的优势。
基于深度学习的负荷预测方法在一些领域已经取得了较好的效果，并成为未来的发展趋势之一。
二、负荷预测的发展方向1. 数据驱动的方法未来的负荷预测方法将更加趋向于数据驱动，即通过大数据和机器学习技术来进行负荷预测。
这将需要更多的历史负荷数据和高效的数据处理技术，以适应电力系统的动态性和复杂性。
数据驱动的方法能够更准确地捕捉负荷的变化规律，提高预测的准确性和实用性。
2. 智能化技术的应用未来的负荷预测方法还将更加趋向于多源数据融合，即通过整合不同类型和来源的数据来进行负荷预测。
这将包括历史负荷数据、天气数据、经济数据等，通过多源数据的融合来提高负荷预测的准确性和稳定性。
电力负荷预测方法的研究与应用
电力负荷预测方法的研究与应用在电力系统中，负荷预测是非常重要的。
负荷预测的准确性直接影响到电力系统的安全运行和经济效益。
因此，对于负荷预测方法的研究和应用十分重要。
一、负荷预测的背景随着现代工业和生活用电的迅速发展，电力负荷的增长越来越快。
为了保障电力系统的安全稳定运行，需要掌握负荷变化趋势，合理安排发电计划和配电方案。
因此，负荷预测成为电力行业不可或缺的一环。
二、负荷预测的方法目前，负荷预测的方法主要有时间序列法、回归分析法、神经网络法、模糊理论法等。
这些方法可以单独使用，也可以相互结合使用，比如神经网络法结合时间序列法可以提高准确性。
时间序列法是一种统计学方法，利用历史负荷数据分析未来负荷变化趋势。
时间序列法可以采用平稳性假设和非平稳性假设，随着历史数据的增加，模型的准确性会不断提高。
回归分析法是一种建立因变量和自变量之间关系的统计方法。
负荷预测中，可以将时间作为自变量，将负荷作为因变量，建立回归模型。
如果自变量包含多个因素，可以采用多元回归分析方法。
神经网络法是一种基于神经元互相联接进行信息传播和处理的模型。
在负荷预测中，可以利用神经网络模拟各种负荷岑岭的变化规律。
不同的神经网络模型对数据要求不同，需要根据具体情况选择适合的模型。
模糊理论法是一种基于模糊数学的数据处理方法。
模糊理论可以处理模糊、不确定、多义性的问题，因此在负荷预测中具有广泛的应用前景。
该方法主要是利用模糊集合理论，建立模糊数学模型进行负荷预测。
三、负荷预测的应用负荷预测的应用范围非常广泛，涉及到电力企业、电力市场、配电系统等多个领域。
在电力企业中，通过负荷预测可以安排发电计划，有效控制风险。
在电力市场中，负荷预测可以指导电力交易，保障市场流动性和稳定性。
在配电系统中，准确的负荷预测可以避免过载，提高供电质量，保障用电者的用电需求。
四、负荷预测存在的问题尽管负荷预测技术在不断进步，但仍存在一些问题。
其中，历史数据的不充分和不准确性是最主要的问题之一。
电力系统中的负荷预测问题分析与研究
电力系统中的负荷预测问题分析与研究电力系统是一个复杂的系统，在其中负荷预测问题一直是一个亟待解决的难题。
负荷预测是指对于未来一段时间内电力负荷的变化进行估计和预测。
电力系统需要对负荷预测进行准确的预测，以便在相应的时间段内对电力进行供给和调节，保证电网稳定运行。
在实际生产中，负荷预测是影响电力系统运行的重要因素之一。
本篇文章将为大家介绍电力系统中的负荷预测问题，包括其影响因素和解决方案。
一、负荷预测的影响因素在电力系统中，负荷预测受到很多因素的影响，主要有以下几点：1、季节性因素：当气温变化、天气变化和构成负荷的产业结构变化时，电力消耗会产生季节性的波动。
季节性因素是一种显著的、长期的因素，因此必须充分考虑它的影响，以便制定相应的电力计划。
2、节假日因素：在特殊的节日或事件期间，负荷需求会出现异常波动，如春节、国庆节等，因此需要针对其后续期间进行特别的预测分析。
3、经济因素：经济因素也是影响负荷预测的一个重要因素。
经济的发展程度和社会的生活水平，都在直接或间接地影响着电力的发展和消费。
4、环境因素：环境因素是影响负荷预测的一个重要因素。
空气质量、能源的储量和生命周期等都会影响当地的电力需求和供应。
二、负荷预测的解决方案为了解决电力系统中的负荷预测问题，必须采用相应的解决方案。
目前解决负荷预测问题的方式有以下几点：1、统计方法：统计方法是负荷预测的传统方法，它是根据历史数据建立的模型，利用时间序列数据或者回归分析等方法对未来负荷进行预测。
由于统计分析方法的计算简单，对于中长期预测结果准确性较高，因此现在仍被广泛使用。
2、人工智能技术：人工智能技术是负荷预测的新兴技术之一。
其基于计算机程序的数据模型，利用机器学习、数据挖掘等技术来进行负荷趋势的预测。
其核心思想是通过利用历史数据和未来导向预测来提高预测准确性。
3、集成方法：随着人工智能技术的发展，集成方法已经将多种预测技术融合成一种新型的负荷预测方法。
电力系统中的负荷预测问题研究
电力系统中的负荷预测问题研究概述电力系统是现代社会中不可或缺的基础设施之一。
为确保电力供应的稳定和安全，准确预测负荷变化是非常重要的。
负荷预测是指对未来一段时间内电力系统负荷的变化进行估计，以便电力公司和系统运营商合理规划和安排电力供应。
负荷预测涉及到多个因素，如天气、季节、节假日等，需要借助先进的预测模型和方法来进行准确预测。
传统方法在过去的几十年中，传统的负荷预测方法主要基于统计学模型。
这些模型通过分析历史数据来推断未来负荷。
其中最常用的方法是基于回归分析的时间序列模型，如ARIMA模型、指数平滑法和季节性分解法。
尽管这些方法在某些情况下可以得到较好的预测结果，但随着电力系统的复杂性和数据的丰富性增加，它们逐渐显示出一些局限性。
挑战和现代方法负荷预测面临许多挑战，包括负荷的非线性、不确定性和复杂性。
为了应对这些挑战，研究人员提出了许多基于机器学习的现代方法。
一种常用的现代方法是基于人工神经网络（Artificial Neural Network，ANN）的负荷预测模型。
ANN模型是一种模拟人脑神经元工作原理的计算模型，通过多层神经元的连接和权重调整来学习输入和输出之间的非线性关系。
ANN模型能够自动捕捉负荷变化中的复杂模式和关联，从而提高预测准确度。
另一种常见的方法是基于支持向量机（Support Vector Machine，SVM）的负荷预测模型。
SVM模型是一种通过将数据映射到高维空间来解决非线性问题的机器学习方法。
它通过寻找一个最优的超平面来划分不同类别的数据，从而达到最佳的分类效果。
在负荷预测中，SVM模型可以将负荷数据映射到高维特征空间，通过构建一个分类边界来预测未来的负荷。
此外，还有一些其他的现代方法如基于决策树的模型、基于遗传算法的模型等，它们都在一定程度上改善了负荷预测的准确性。
应用案例负荷预测在电力系统中有广泛的应用。
电力公司和系统运营商可以利用负荷预测来优化电力供应和调度，合理安排电力发电和输电计划。
电力系统负荷预测方法研究与实现
电力系统负荷预测方法研究与实现近年来，随着电力需求不断增长，电力系统的稳定运行成为一项重要的挑战。
负荷预测作为电力系统运行和调度的关键工具，对于电力系统的优化和经济性具有至关重要的作用。
本文将探讨电力系统负荷预测方法的研究与实现，旨在提高电力系统的运行效率和可靠性。
首先，我们将介绍常见的电力系统负荷预测方法。
目前，常用的负荷预测方法主要有基于统计学的方法和基于机器学习的方法。
基于统计学的方法包括均值法、回归分析和时间序列分析等，这些方法主要通过对历史数据的统计和分析来预测未来的负荷。
基于机器学习的方法包括人工神经网络、支持向量机和决策树等，这些方法通过对大量的历史数据进行训练和学习，建立合适的模型来进行负荷预测。
在实际应用中，我们需要选择适合的负荷预测方法。
根据电力系统的特点和实际需求，我们可以根据以下几个方面进行选择：首先，考虑负荷数据的性质，如是否具有周期性、是否具有趋势性等；其次，考虑负荷预测的时间范围，如短期负荷预测和长期负荷预测；最后，考虑负荷预测的精度要求和实时性要求。
在负荷预测方法的实现过程中，数据的准备和处理是至关重要的。
首先，需要收集和整理历史数据，包括负荷历史数据和影响负荷的相关因素数据，如天气数据、经济数据等。
然后，需要对数据进行预处理，包括数据清洗、数据平滑和特征选择等，以提高模型的准确性和可靠性。
接下来，我们将具体介绍两种常用的负荷预测方法，分别为基于统计学的时间序列分析和基于机器学习的人工神经网络。
首先，基于统计学的时间序列分析方法是一种常用的负荷预测方法。
该方法基于历史负荷数据的时间特性，通过分析和建立时间序列模型来预测未来的负荷。
常用的时间序列分析方法有ARIMA模型、指数平滑模型和季节性模型等。
这些方法通过对数据的平滑和趋势的分解，可以提高负荷预测的精度和可靠性。
其次，基于机器学习的人工神经网络方法也是一种有效的负荷预测方法。
人工神经网络模型具有强大的非线性映射能力，可以通过对历史数据的训练来建立复杂的负荷预测模型。
电网负荷预测研究
电网负荷预测研究随着人类工业化进程的不断加速，电力得到了越来越广泛的应用，从而促进了现代工业的发展与进步。
随着电力网络的不断完善与建设，电网负荷预测也日益显得至关重要。
电网负荷预测技术的应用不仅能够提高电力系统的效率与稳定性，降低了能源的消耗，还能提高能源的可持续性与安全性。
本文将就电网负荷预测的相关概念、方法与应用展开论述。
一、电网负荷预测的概念与定义电网负荷预测一般指对未来某一段时间内的电力消费情况进行预先计算的技术。
这种技术能够充分考虑到各种因素的影响，例如气象、节假日和人口密度等等，旨在提高电力系统的可靠性与稳定性，并降低能源成本。
电网负荷预测通常包括短期负荷预测、中期负荷预测和长期负荷预测。
其中，短期负荷预测一般指未来数小时的电力消费情况的预测；中期负荷预测一般指未来数天至数周之间的电力消费情况的预测；长期负荷预测一般指未来数月至数年之间的电力消费情况的预测。
二、电网负荷预测的方法与技术电网负荷预测是一项复杂的技术活动，包括很多数据处理和分析过程。
各种不同的电网负荷预测方法都包括以下一个或多个步骤：1. 数据采集：电网负荷预测通常涉及到大量的数据收集工作，包括历史数据和实时数据。
历史数据能够帮助模型进行训练和校正，而实时数据能够对预测结果进行即时的修正。
2. 特征工程：通过对数据进行处理、加工或选择，得到可以用来进行建模的特征。
例如，特征可以包括一天中的时段、天气预报、节假日、经济环境等等。
3. 建模：在特征工程的基础上，建立合适的统计模型或机器学习模型，例如逻辑回归、支持向量机、决策树等等，来预测负荷。
4. 模型评估：使用数据集中的部分数据对模型进行测试，并将实际预测结果与预测模型的输出相比较。
评估模型的准确性、精度和误差等参数。
5. 预测：使用训练好的模型对未来一定时间段内的电力消费进行预测和估算。
三、电网负荷预测的应用电网负荷预测的应用非常广泛，涉及到许多行业与领域，例如能源、交通、气象、市政管理等等。
电力负荷预测研究
电力负荷预测研究：提高能源利用效率能源是现代社会发展不可或缺的重要资源，而电力作为现代化社会不可或缺的能源，日益受到重视。
随着经济的快速发展，电力需求量不断提高，如何合理利用和节约电力成为了亟待解决的问题之一。
电力负荷预测是电力系统调度和市场运行的重要基础工作，它能够预估电力需求量，为合理调配电力资源提供依据。
同时，电力负荷预测也是电力需求侧管理的关键环节，优化电力供需关系，提高电力利用效率，保障电力供应安全。
电力负荷预测的研究内容电力负荷预测是指根据历史负荷数据和未来经济、气象等情况，将电力负荷在未来某一时间段内的总体趋势或瞬时数值进行合理的预测。
1、历史数据处理历史负荷数据是电力负荷预测的基础。
数据处理是指对收集到的历史负荷数据进行清洗、压缩、存储和分析等处理，以得到准确可靠的负荷数据。
2、数据特征分析数据特征分析是对历史负荷数据进行统计分析，提取出历史负荷数据中反映负荷变化的规律、趋势、周期等重要特征。
需要注意的是，历史负荷数据仅仅是过去的记录和闪回，并不一定能够反映未来的负荷趋势。
3、预测模型建立基于历史负荷数据和其他影响电力使用的因素（如天气、节假日等），建立适合的数学模型，以此来完成负荷预测。
目前常用的预测模型主要有ARIMA模型、BP神经网络模型、支持向量机（SVM）模型、灰色模型等。
4、预测结果抽样检验根据实际数据测试和预测结果统计，对预测结果的准确性和可靠性进行抽样检验，发现问题及时校正和改进预测模型，提高负荷预测的准确性和可靠性。
电力负荷预测模型的优缺点不同的电力负荷预测模型有其各自的优缺点，具体选择哪种模型应根据实际需求进行选择。
1、ARIMA模型ARIMA模型是目前常用的一种预测模型，因其结构简单、使用方便而引起广泛关注。
适用于平稳或周期性系列数据的预测，但仅适用于较短期负荷预测，对于离群值和突发事件的反应能力较差。
2、BP神经网络模型BP神经网络模型是一种基于神经网络理论的预测模型，其具有较强的非线性映射能力，适用于多变量复杂系统的预测。
- 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)。
西北电网电力负荷预测研究
【摘要】西北地区经济相对落后于其他地区，因此其经济水平对国家整体发展水平至关重要。
用电负荷能从侧面反应经济发展水平。
近几年西北地区用电负荷增长很快，其中也不乏不合理之处。
为更深一步了解西北电网负荷特性，作者在整理分析西北电网历史负荷数据电量数据的基础上，用几种预测电量方法，预测未来近十年电量增长情况，并对各种方法进行对比评价。
最后发现虽然各种方法所预测的结果会有误差，但基本走势还是趋于一致。
【关键词】西北电网；负荷预测；回归预测；灰色预测；趋势外推法
截至2008年底，包括陕西、甘肃、宁夏、青海、新疆等省区在内的西北地区统调装机容量为5750.61万千瓦，其中火电装机3918.14万千瓦，占该地区总装机的68.1%，水电装机1580.81万千瓦，占该地区总装机的27.5%，其它装机为251.66万千瓦，占该地区总装机的4.4%。
西北电网统调总发电量1981.06亿千瓦时，其中火电发电为1523.82亿千瓦时，水电发电为445.5亿千瓦时，其他发电为11.55亿千瓦时。
机组平均利用小时数为5450小时，比2007年度下降520小时，地区全年社会用电量至2620亿千瓦时。
随着西北地区经济的发展和产业结构的调整，西北地区第三产业和居民生活用电增速将会加快，第二产业用电量增速将会随着大比重的重工业结构的调整而减缓，西北地区的负荷特性将会发生变化。
所以对西北电网进行负荷预测，能够为以后电力电量的决策提供依
据。
电力系统负荷顶测是电力系统规划管理工作中一个很重要的环节。
新建电网中的电源布局、电网规划中的电力平衡、旧电网改造及其现代电网的运行方式和各发电机组生产计划安排，都与当地电力负荷有着十分密切的关系。
电力负荷预测还是电力系统规划的基本依据，因此，电力负荷预测工作要力求科学、准确以求得最佳经济效益。
目前，各种预测方法甚多，但回归分析法简单、易懂，具有一定的实用价值。
一、多元回归分析预测
1.模型介绍。
一般用回归两个字来表明一种现象伴随着另一种现象的变化而发生变化的现象。
根据某些影响因素的变动，来推测所研究对象的变化方向和程度，就是回归预测。
回归预测是在定性分析的基础上，对实际调查的定量资料进行分析，找出事物发展的内部因素，确定自变量与因变量以及它们之间的相互关系，得到一个回归方程，然后利用回归方程进行预测。
它是一种利用事物发展变化的因果关系来预测未来发展趋势的一种方法，所以又称之为因果关系预测。
根据结石变量的多少，分为单元回归分析和多元回归分析。
在回归分析中，随机变量是自变量，非随机变量是因变量，由给定的多组自变量和因变量资料研究二者之间的关系，形成回归方程。
回归方程求得后，给定各自变量数值，就可求出因变量值。
回归方程根据自变量和因变量之间的函数形式，又可分为线性回归方程和非线性回归方程。
多元回归预测模型构建：y=b0+b1x1+b2x2+ b3x3+ε，其中x1表示经济发展水平，x2表示工业化水平，x3
表示城镇化水平，ε则代表随机误差项。
2.西北电网电量需求预测。
西北地区用电量相关指标历史数据如表1。
spss软件运行结果如下：
根据软件输出结果可得出具体的西北地区用电量预测多元回归方程为：y=196.45+0.114x1+10.14x2-25.912x3+0.106x4。
通过以上回归结果可以看到：该方程的复相关系数r=0.9（决定系数
r2=0.997），f=1022.2，说明该方程有效。
vif低于10，说明共线性较弱，不存在多重共线性。
预测结果：
二、趋势外推法
1.模型介绍。
趋势外推法将已有的各年度的电力负荷看作一个时间序列，利用最小二乘拟合等方法寻求电力负荷与时间的函数关系，并利用这个函数关系预测以后年度的电力负荷。
趋势外推方法在历史数据的拟合方面是最好的，但是无法保证其外推效果的可靠性。
其基本思想是未来的负荷变化规律是历史的负荷变化规律的延续。
根据历史的负荷资料可以推算出未来的负荷变化情况。
其中最简单的是写出趋势曲线的解析函数。
解析函数可以是线性的、抛物线的、指数曲线的等。
趋势曲线与历史数据的曲线进行拟合，用最小二乘法求出趋势曲线解析函数的各个系数，由确定了的趋势曲线即可求得未来的负荷。
2.西北电网负荷预测。
在未来电量需求肯定按一定趋势发展，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）。
y=aebt利用excel分析工具分析出模型为：
y=871.6e0.110x。
预测结果：
根据结果所绘的趋势图：
3.预测结果。
本研究5-2-1层网络进行训练，各层神经元传递函数分别取tansig，tansig，purelinh函数，trainlm训练函数，进行计算。
设定初始学习率为0.03，误差为0.01，最大迭代次数为2000。
三、灰色预测法
1.模型介绍。
灰色系统理论是20世纪80年代由我国邓聚龙教授提出的用来解决信息不完备系统的数学方法。
此理论将模糊控制方法和观点扩展到复杂系统中，结合了运筹学与自动控制的数学方法，用来研究灰色性问题。
灰色系统是部分信息已知、部分信息未知的系统。
此系统将随机过程视为一定范围内不断变化并且与有关时间的过程。
它不是统计规律的角度利用大样本研究，而是应用数据生成把杂乱无章的原始数据整理成规律性强的生成序列而后进
行研究分析。
gm（1，1）模型是最常用的一种灰色模型，它是由一个只包含单变量的一阶微分方程构成的模型，是作为电力负荷预测的一种有效的模型。
它是一种指数增长模型，当电力负荷呈严格指数增长时，从理论上已经证明，此方法具有预测精度高、所需样本数据少、计算简便和可检验等优点。
2.西北电力负荷预测。
四、结论
1.方法评价。
回归分析预测具有简便，速度快、外推性好。
但是对于历史上未出现的情况有较好的预测性回归预测对数据的要
求高，特别是历史数据残缺或存在较大误差的情况下，预测效果很不理想。
对于描述比较复杂的情况，线性回归过于简单，而非线性回归型的确定和参数估计又较为复杂。
缺乏自学习能力，负荷结构变化，模型不修正，难以得到较准确的预测结果。
趋势外推方法可以保证对历史数据的拟合是最好的，但不能保证外推效果的可靠性。
灰色预测具有数据的要求少，分布规律、不需要考虑对变化趋势和运算方便，短期内预测精度相对教高、易于检验等优点。
但是当数据的离散程度越大，则预测精度就会越差，不太适合电力系统的长期若干年的预测对于具有波动性变化的电力负荷，采用gm（1，1）模型其误差可能较大，难以满足实际需要。
2.西北电力预测结果分析。
虽然各种方法各有优点，也有其局限性，在实现途径上也有所区别，但是总的预测不会出现太大冲突，所以可以看出我国西北地区电量需求在将来十年内有一个持续增
长的发展趋势。
西北地区高耗能行业所占比重较大，尤其是2002
年之后，经济迅速发展，高耗能行业发展势头更加迅猛，重工业比重在工业结构中上升幅度较大，电网负荷基本保持以15%以上的增长速度快速增长，负荷曲线较平缓，负荷特性趋于良好。
西北地区在经济快速发展、产业结构趋于优化的情况下，势必会推动第三产
业和居民生活用电需求，而随着大比重的重工业结构的调整，第二产业用电量增速将会而有所减缓，因此地区负荷特性将会发生很大变化，预计未来西北地区将将与中东部地区现阶段性负荷特性相接近。
3.西北电力发展的建议。
一是大力发展能源基地，使电力产业规模化；二是加强需求侧管理，改善负荷特性；三是开展电力系统负荷特性研究。
参考文献
[1]赵克斌.西北电力市场：现状与突破[j].电力企业管理.2009（5）：50～51
[2]魏磊，张琳等.西北地区电网符合特性研究[j].电网与清洁能源.2010，17（26）：57～62
[3]河北省电力工业局.回归分析法在电力负荷预测中的应用[j].河北电力技术.1987（1）：15～19
[4]甄利玲.中长期电力负荷预测的回归模型及其应用[j].雁北师范学院学报.2002，5（18）：54～56
[5]谷峰.电力负荷预测技术研究[j].资治文摘.2010，5（135）：149
[6]马鹏，裴晓飞.电力负荷预测两个常用模型的比较与分析[j].中国高新技术企业.2010（36）：115～116
[7]颜金木.基于趋势外推法的电力负荷预测[j].中国外
资.2011（235）：228
[8]王惟源.基于灰色模型的中长期电力负荷预测[j].为计算机信息.2009，25（11）：200～201
[9]唐振军.基于改进灰色模型的中长期电力负荷预测[j].池州电力学报.2010（24）：42～43
[10]徐玉华.中长期电力负荷预测的方法分析[j].宁夏电
力.2007（4）：6～8。