中长期电力负荷预测
浅谈电力规划中的负荷预测
浅谈电力规划中的负荷预测发布时间：2021-08-20T16:56:01.690Z 来源：《当代电力文化》2021年4月11期作者：陈柏樟[导读] 电力规划中的负荷预测是以电力负荷为对象进行的一系列预测工作。
陈柏樟广西鑫源电力勘察设计有限公司广西钦州 535000摘要:电力规划中的负荷预测是以电力负荷为对象进行的一系列预测工作。
就预测对象而言，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。
基于此，本文阐述了电力规划中的主要负荷预测类别及其预测流程，对电力规划中的负荷预测方法进行了探讨分析。
关键词:电力规划；负荷预测；类别；流程；方法负荷预测是电力规划极其重要的工作，其不仅关系着电力系统规划的整体质量，而且还会给电力系统的正常运营带来直接影响，尤其当前人们对电力依赖性程度的不断增强，因此加强电力规划中的负荷预测分析，对于保障电力系统安全运行具有重要意义。
一、电力规划中的主要负荷预测类别负荷预测是制定电力部门发展规划的依据，并直接影响着电力系统规划的合理性，负荷预测是进行电力系统规划和电力电量平衡分析的前提。
电力规划中的中长期负荷预测主要用于制定电力系统的规划建设，为所在地区电网发展、能源平衡、电力盈余调剂等提供可靠的依据。
负荷预测常常按照时间期限进行分类，大体分成以下四种。
(1)长期负荷预测：一般指10年以上并以年为单位的预测。
(2)中期负荷预测：指5年左右并以年为单位的预测。
(3)短期负荷预测：指1年之内以月、周、天、时为单位的负荷预测，用于安排13调度计划或周调度计划。
(4)超短期负荷预测：指预测未来1h、未来若干h甚至未来若干min的负荷，用于安全监视、预防性控制和紧急状态处理。
窗体底端二、电力规划中的负荷预测流程分析1、准备预测。
准备预测由确定预测目标、组织工作、搜集资料、分析资料及确定预测方法等工作组成。
中长期电力负荷预测研究毕业论文
中长期电力负荷预测研究毕业论文目录摘要 (1)第一章绪论 (3)1.1中长期负荷预测研究背景和意义 (3)1.2负荷预测的基本原理 (4)1.3负荷预测的方法及特点 (5)1.4研究现状 (8)1.5目前存在的问题 (8)1.6本文的主要工作 (9)第二章负荷预测的方法 (10)2.1负荷预测的分类 (10)2.2负荷预测的特点 (11)2.3影响中长期负荷发展的因素 (12)2.4负荷预测的误差分析 (13)2.4.1产生误差的原因 (14)2.4.2预测误差分析 (14)第三章回归分析基本理论及预测模型 (16)3.1回归分析的基本思想 (16)3.2回归分析的基本原理与方法 (16)3.2.1基本原理 (16)3.2.2基本方法 (16)3.3回归分析步骤 (17)3.4实例分析 (18)第四章灰色系统的基本理论及预测模型 (22)4.1基本原则 (22)4.2基本方法 (23)4.3灰色系统建模的机理 (24)4.4灰色序列及其生成方法 (24)4.4.1累加生成 (25)4.4.2累减生成 (25)4.4.3均值生成 (26)4.5数列灰预测模型 (27)4.5.1灰色预测模型的建模 (27)4.5.2灰色预测模型的检验 (30)4.6 实例分析 (32)第五章总结和展望 (37)参考文献 (38)致谢 (39)附录一灰色模型仿真程序 (40)附录二翻译 (45)附录三任务书 (71)附录四开题报告 (75)第一章绪论1.1中长期负荷预测研究背景和意义电力负荷的预测意义不言而喻，当代社会处处离不开电，电力负荷同国民经济密切相关。
把生产出来的电能合理地分配给各地区，各工厂，各居民用户，同时维持稳定的电压、恰当功率，是电力系统的基本要求。
由于电能不能大量储存，生产的负荷不能太大，也不能太小，所以精准的费和预测对保持电网安全稳定运行具有重大意义；对于一个发电企业如果能提前知道某地区的用电量，可以减少不必要的储备容量；对于一个电网系统，明确子系统的用电量，无疑可以更合理地分配负荷，避免不必要的启停，减少意外的经济损失；对于整个国家，依据电力负荷和国民经济的密切关系，准确的负荷预测有利于国民经济的宏观调控。
经济全球化背景下的中长期电力负荷预测
企业研究Business research总第414期第24期2012年12月中长期电力负荷预测是电力系统科学决策的前提和依凭，唯有准确的预测，才能保障电力投资的安全，尤其对发电企业而言，中长期电力负荷预测的准确与否，直接关乎企业的生存发展。
目前世界各国中长期电力负荷预测的方法很多，但由于每种预测模型、模式的参数设定都存在着短板，诸多影响中长期电力负荷的要素并没有被纳入分析系统，因此这些预测方法从适用性上研究，不过是短期电力负荷预测的加强版，对于中长期电力负荷的运行和发展趋势根本无法给出准确的数据。
一、中长期电力负荷预测的误区（一）过度依赖数学模型数学的基础是逻辑学，数学模型实际上就是逻辑学在不同领域的应用，但逻辑学和以逻辑学构架的定理、公理、命题原型成立的前提，是参入内部的诸元固定不变，用公式表示：x+y=z ，如果变成z+y+a,那么这个命题原型就不再成立了，既然命题原型不再成立，自然就得不出结果。
西方经济学所以不能预测经济危机道理就在这里，经济学家按照逻辑学架构设计的经济模型，拒绝参入经济行为之外的元素，因为在他们眼里，经济就是经济，与政治、大众心理、自然因素等统统无关。
举例说，诺贝尔经济学奖的获得者斯蒂格利茨，其成名作《经济学》多达一百万字，但从始至终都没有提到每年为美国创造1700万个就业务岗位的文化产业，由此可见他们和他们创立的学说，对于预测和防止经济危机的发生也就无从谈起了。
中长期电力负荷预测的各种数学模型，与经济学家们建立的经济模型，其架构原理完全相同，因此在实践中必然犯同样的错误。
（二）没有相关专业人才的参与中长期电力负荷的预测，是跨学科、跨专业的庞大系统工程，需要多学科多专业的协作才能实现。
举例说，周期性出现的厄尔尼诺现象，深刻影响着全球气候变化，每次它光临西太平洋，夏季中国南方就会出现高温少雨，让中国在水电发电量下降的同时遭遇电力需求骤升。
但是我们发现，全世界所有发电企业，都不招聘研究地球气候变化规律的专门人才。
电力系统中的长期电力负荷预测方法研究
电力系统中的长期电力负荷预测方法研究引言在电力系统运行中，准确预测长期电力负荷是至关重要的，这对于确保电力供应的可靠性和经济性都具有重要意义。
然而，由于电力负荷具有复杂的非线性特征和受许多因素的影响，预测长期电力负荷一直是一个具有挑战性的问题。
本文将介绍电力系统中的长期电力负荷预测方法的研究进展。
一、时间序列分析方法时间序列分析方法是最常用于预测电力负荷的方法之一。
其基本假设是未来的负荷与过去的负荷具有相关性。
常用的时间序列分析方法有移动平均法、指数平滑法和ARIMA模型等。
移动平均法通过计算历史负荷数据的平均值来进行预测，适用于负荷具有明显趋势和季节性的情况。
指数平滑法则是通过对历史负荷数据进行加权平均来预测未来负荷，适用于负荷波动较为平稳的情况。
ARIMA模型则是一种结合了自回归（AR）、差分（I）和滑动平均（MA）的模型，能够对负荷的趋势、季节性和随机性进行建模和预测。
二、神经网络方法神经网络方法是近年来在电力负荷预测中应用较多的方法之一。
神经网络具有良好的非线性逼近能力和自适应学习能力，能够对复杂的电力负荷数据进行建模和预测。
常用的神经网络模型有多层感知器（MLP）、循环神经网络（RNN）和长短期记忆网络（LSTM）等。
多层感知器是最基本的神经网络模型，其通过多个神经元层次的连接来进行信息处理和学习。
循环神经网络则具有记忆能力，能够处理序列数据，并且可以捕捉到序列数据中的长期依赖关系。
长短期记忆网络则是对循环神经网络的改进，解决了长期依赖问题，适合于电力负荷数据的建模和预测。
三、支持向量机方法支持向量机方法是一种基于统计学习理论的预测方法，具有较好的泛化能力。
支持向量机通过在特征空间中构建一个最优分类超平面来进行分类和回归。
在电力负荷预测中，支持向量机方法可以通过训练数据样本集来拟合一个预测模型，然后利用该模型对未来的电力负荷进行预测。
支持向量机方法的优点是能够处理高维数据和非线性问题，但是其也存在训练时间较长和对参数的选择较为敏感的问题。
《中长期电力负荷预测技术的研究与应用》
《中长期电力负荷预测技术的研究与应用》一、引言随着社会经济的快速发展和人民生活水平的不断提高，电力需求持续增长。
为了确保电力系统的稳定运行和满足不断增长的电力需求，中长期电力负荷预测技术的研究与应用显得尤为重要。
本文将就中长期电力负荷预测技术的研究背景、意义、方法以及应用进行详细阐述。
二、研究背景与意义中长期电力负荷预测是指对未来一段时间内的电力负荷进行预测，为电力系统的规划、调度和运行提供重要依据。
随着电力市场的开放和电力负荷的日益复杂化，准确的中长期电力负荷预测对于保障电力系统的安全、稳定、经济运行具有重要意义。
此外，预测结果还可为政府决策者、电力企业以及用户提供有价值的参考信息。
三、研究方法1. 数据收集与处理：收集历史电力负荷数据、气象数据、经济数据等，对数据进行清洗、整理和预处理，以提取有用的信息。
2. 建模方法：根据数据特点，选择合适的预测模型，如时间序列分析、机器学习、人工智能等。
3. 模型评估与优化：利用实际数据对模型进行验证，根据验证结果对模型进行优化，提高预测精度。
四、技术应用1. 时间序列分析：通过分析历史电力负荷数据，建立时间序列模型，如自回归移动平均模型（ARMA）、指数平滑法等，对未来电力负荷进行预测。
2. 机器学习方法：利用机器学习算法，如支持向量机、随机森林、神经网络等，对电力负荷进行预测。
这些方法可以处理非线性、高维度的数据，具有较好的预测效果。
3. 人工智能技术：随着人工智能技术的发展，深度学习、强化学习等技术在电力负荷预测中得到了广泛应用。
这些技术可以自动提取数据中的特征，建立复杂的模型，提高预测精度。
五、应用领域1. 电力系统规划：中长期电力负荷预测结果可为电力系统的规划提供重要依据，如电源规划、电网规划等。
2. 电力系统调度：通过预测未来一段时间内的电力负荷，可以合理安排发电计划，确保电力系统的稳定运行。
3. 电力市场分析：预测结果可为电力市场分析提供参考，帮助决策者制定合理的电价策略。
中长期电力负荷预测研究
中长期电力负荷预测研究摘要：电力负荷预测是电力系统调度、用电、计划、规划等管理部门的重要工作之一。
该文对电力负荷预测的概念及分类等问题进行了简要论述，重点分析了中长期负荷预测的特点、成熟方法，对中长期负荷预测方法进行了综述。
关键词：中长期；电力负荷；预测；研究电力系统负荷预测作为电力系统现代化管理的重要内容之一，在电力系统的控制运行和规划方面具有非常重要的作用，尤其是中长期电力系统负荷的预测，受经济、社会、人口、气候等因素影响很大，存在多样性、复杂性和许多不确定性，对其预测结果是制定电力系统输电规划和电源规划的基础，体现了未来负荷发展的规律，为未来负荷规划提供可靠的依据。
1中长期负荷预测的概述电力负荷预测是指从已知的电力系统、经济、社会、气象等情况出发，通过对历史数据的分析和研究，运用哲学、社会学、经济学、统计学、数学、计算机、工程技术及经验分析等定性定量的方法，探索事务之间的内在联系和发展变化规律，对负荷发展做出预先估计和推测。
长期预测以年为预测时段，以用电负荷、用电量等的年度统计数据作为预测内容，主要受国民经济发展情况、人口、产值单耗、产业结构调整情况、电价政策等的影响，其目的是为合理安排电源和电网的建设进度提供宏观决策的依据。
中期预测以月为预测时段，以用电量、用电负荷等的月度统计数据作为预测内容，这些数据呈周期性增长，每年度的12个月具有相似的规律，其变化规律可分为月度量的年度发展序列和月度量的月度发展序列。
2电力负荷预测原理负荷是指电力需求量，而需求量可用能量的时间变化率表示。
在充分考虑一些重要的电力系统运行特性、增容决策、自然条件与社会影响的条件下，研究或利用一套系统的处理过去和现在负荷的数学方法，在满足一定精度要求的意义下，确定未来某特定时刻的负荷数值，称为负荷预测。
由于中长期电力负荷受经济、社会、气候等多种因素影响，且存在多样性、复杂性和不确定性，传统的方法无法对复杂电力负荷系统进行准确的预测，导致预测精度低。
电力负荷预测中的时间序列预测算法分析
电力负荷预测中的时间序列预测算法分析电力行业在全球经济中扮演着非常重要的角色，每年的电力生产和消费都是庞大的。
然而在电力供应时，发电厂往往会根据一些历史数据和预测数据来优化运营计划，让电力供应更加稳定和可靠。
以往的电力负荷预测算法主要是基于经验的科学方法，但是现在随着时间序列预测技术的发展，根据历史数据和未来趋势来预测电力负荷需求成为了一个流行的趋势。
一、时间序列预测算法的发展历程时间序列预测算法是一种非常古老的技术，最早的应用在天文学中预测行星的运动。
随着计算机技术的发展，时间序列预测算法的应用范围和精度逐渐得到扩展。
在电力负荷预测中，时间序列预测算法（TSP）是一种基于历史数据和趋势分析的预测技术。
二、电力负荷预测的目的电力负荷预测的主要目的是预测未来某个时间段内的负荷需求，以便制定合适的发电计划。
这种预测需要预测未来的负荷需求，不但需要考虑历史数据，还需要考虑未来可能发生的变化和趋势。
三、时间序列预测算法的基础时间序列预测算法的基础是一组已知的“时间序列”数据，这些数据中包含了每个时间点的不同指标或变量的值。
根据这些已知数据，时间序列预测算法可以使用一系列的数学函数模型、统计模型和机器学习模型来预测未来的的数据。
四、时间序列预测算法的种类时间序列预测算法主要有以下几类：1. 基于统计的时间序列模型：这种模型使用历史数据和统计方法来建立模型，并根据模型来预测未来数据。
2. 基于机器学习的时间序列模型：这种模型使用机器学习技术来训练模型，然后使用训练好的模型来预测未来的数据。
3. 混合模型：这种模型结合了统计模型和机器学习模型的优点，可以更好地进行预测。
五、时间序列预测算法的应用时间序列预测算法在电力行业中的应用非常广泛，主要应用在以下几个方面：1. 短期电力负荷预测：主要根据已知的历史数据和未来趋势来预测未来一天或一周的短期电力负荷需求，以便制定合适的电力供应计划。
2. 中长期电力负荷预测：主要根据已知的历史数据和未来趋势来预测未来几个月或一年的电力负荷需求，以便制定合适的电力发展计划。
电力系统中的长期负荷预测研究
电力系统中的长期负荷预测研究在电力系统中，长期负荷预测是非常重要的，它可以帮助电力公司更好地规划电力资源，提高电力系统的稳定性和可靠性。
因此，长期负荷预测一直是电力系统研究的热点。
一、长期负荷预测的意义电力系统中的长期负荷预测主要是指对未来较长一段时间内电力负载的变化趋势进行预测。
通常情况下，长期负荷预测的时间跨度为一年以上。
电力负载是指电力系统中用户的用电负荷，它与电力供给紧密相关。
进行长期负荷预测可以帮助电力公司更好地制定电网规划和变电站建设计划，以适应未来的供需关系，提高电力系统的稳定性和可靠性。
同时，长期负荷预测也是电力市场监测和调度的重要依据，对于电力市场价值的预测和电力价格的制定都起到了至关重要的作用。
二、长期负荷预测的方法1. 多元回归方法多元回归方法是一种常用的长期负荷预测方法，它将影响电力负荷的多种因素，如天气、节假日、季节等，作为自变量，利用历史负荷数据建立回归方程对未来的负荷进行预测。
2. 时间序列方法时间序列法是基于历史负荷数据的，根据负荷数据的变化趋势建立数学模型，再利用该模型预测未来的负荷变化。
时间序列法通常采用ARIMA模型进行预测。
3. 神经网络方法神经网络方法是一种基于人工智能的预测方法，它模拟了人脑神经系统的运作方式，根据历史负荷数据对未来的负荷进行预测。
神经网络方法的预测精度较高，但需要较多的历史数据用于训练网络模型。
三、长期负荷预测存在的问题1. 数据缺乏长期负荷预测需要大量的历史负荷数据用于建模和预测，但由于电力行业的快速发展和技术的快速更新，早期的历史数据往往不能代表今后电力负载的真实情况。
因此，历史数据缺乏是长期负荷预测面临的一个主要问题。
2. 无法考虑非定量因素电力负荷受到诸如气候、节假日、政策等非定量因素的影响，这些因素难以量化，无法准确地纳入预测模型中。
因此，长期负荷预测无法全面地考虑到这些因素的影响。
3. 预测精度难以保证长期负荷预测是一项非常复杂的任务，预测精度受到许多因素的影响，如所采用的模型和算法、历史数据的准确性、非定量因素的影响等。
- 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)。
中长期电力负荷预测
中长期电力负荷猜测
随着我国电力行业的飞速进展，电力负荷猜测技术已成为电力系统的一个重要研究领域。
中长期电力负荷猜测的结果在必定程度上决定未来规划期内电力系统的进展方向，因此，高精度的猜测技术对电力系统的进展有着重要意义。
摘要介绍了等维灰度递补GM(1，1)的建模原理，采纳山东省2000-2007年的用电需求负荷成立等维灰度递补GM(1，1)猜测模型，猜测山东省20XX年和20XX年的用电负荷，与实际用电负荷进行对比，验证了灰色马尔科夫模型在对电力负荷进行长期猜测时具有较高的精度。
要害词灰色猜测,电力负荷GM(1，1),等维灰度递补
日前使用的电力负荷猜测技术有趋势外推、回归模型、灰色等。
其中，灰色猜测技术以其较小的样本量，较高的猜测精度被广泛应用于短、中、长期的电力负荷猜测中。
模型的局限性是当数据离散程度越大，即数据灰度越大时猜测精度越差;且不适合猜测长期后推若干年的猜测。
本文将GM(1，1)模型和等维灰度递补方法改进的GM(1，1)模型分别用于电力负荷猜测，对比结果后发现改进的灰色GM(1，1)模型能提高中长期电力负荷猜测的精度。
1 GM(1，1)建模
由于电力负荷系统存在很多不确定因素影响负荷的变化(即灰色系统)，使得负荷变化表示的似乎无规律，灰色理论将看似无规律的历史数据经累加生成后与原来数值相比具有明显的指数增长规律，而微分方程解的形式为指数增长，利用微分方程拟合生成后呈指数增长规律的数据列，进而进行负荷猜测，最后经累减还原生成实际负荷猜测值。
GM(1，1)模型具体的建模过程如下。
记往年的用电负荷原始数据为：，一次累加生成数列(1-AGO)为：，其中，(k=1，2，，n)。
由于序列具有指数增长
规律，所以，一般认为序列满足以指数增长形式为通解的一阶线性微分方程：。
由于采集得到的负荷数据是各个时点的离散数据，而指数方程应为连续型。
一般将离散形式的微分项用表明，取k和k+1时刻负荷的平均值，即：。
经变化和写为矩阵形式求解得到：
(1)
一次累减还原(1-IAGO)得离散形式为：
(2)
公式(1)、(2)即为GM(1，1)模型的时间响应函数模型。
其中，当k=0，1，，n-1时，是原始数据序列的拟合值，当k>=n时，是原始数据序列的猜测值。
由于灰色CM(1，1)模型中用到的一阶微分方程的解是指数形式，所以GM(1，1)模型适用于具有较强指数规律的负荷猜测，其要求数据必需是等距、相邻、无跳跃性的，且以最新的数据为参考点，最早的数据可有可无，但最新的数据必需加如，由此使得灰色GM(1，1)模型的应用受到限制。
2 等维灰度递补GM(1，1)模型
等维灰度递补GM(1，1)模型的本质是将每一个新得到的猜测数据送入原始数据中，同时去掉一个最早的数据，保持数据个数不变。
用次样本序列重建新灰色GM(1，1)模型，猜测下一个值。
重复以上过程，逐个猜测，依次递补。
这样可以及时补充利用新信息，提高了灰平面的白化度，从而提高负荷猜测的精度。
具体的建模过程如下。
首先同传统GM(1，1)模型一样，分别经一次累加(1-AGO)和一次累减(1-IAGO)处理得到GM(1，1)模型，的时间相应序列为：。
进行等维灰度递补动态处理，去掉，增加，原始数据序列变为：，依据此调整后的原始
数据序列，再次运用传统GM(1，1)模型猜测下一个值。
最后，重复以上步骤，直到求得最终猜测结果。
3 运用GM(1，1)猜测
山东电网是全国六大电网中唯一的省独立电网，我们拔取山东省作为分析对象。
在建模过程中，拔取2000至2007年山东省用电量作为原始数据，以20XX和20XX年两年的用电量数据作为检验模型优劣的标准。
2000至20XX年山东省用电量如表1所示。
表1 2000至20XX年山东省用电量(单位：亿千瓦时)
年份2000 2001 2002 2003 2004
用电量1000.71 1104.53 1241.74 1395.72 1639.92
年份2005 2006 2007 20XX 20XX
用电量1911.61 2272.07 2596.05 2726.97 2941.07
(数据来源：中国统计局)
运用matlab得到原始数列和累加生成后数列的趋势图，可以发现累加后的趋势更趋向于指数增长趋势，可以用GM(1，1)进行猜测。
运用matlab进行
计算，得到的计算结果为：，因此：。
由累减得到原始数列的灰色猜测模
型为
使用传统GM(1，1)模型，求得2000-2007年的电力负荷拟合值如表2所示。
表2 GM(1，1)猜测值、实际值以及残差
年份原始值猜测值残差
2000 1000.71 913.68 -87.03
2001 1104.53 1060.10 -44.43
2002 1241.74 1229.98 -11.76
2003 1395.72 1427.09 31.37
2004 1639.92 1655.78 15.86
2005 1911.61 1921.12 9.51
2006 2272.07 2228.99 -43.08
2007 2596.05 2586.19 -9.86
4 运用改进后的GM(1，1)进行猜测
运用等维灰度递补方法改进后的GM(1，1)模型对山东省20XX年和20XX年的负荷进行猜测。
结果如表3所示。
后验差检验有后验差比c和小误差概率p两个指标，c越小，p越大，模型越好。
经计算得到传统GM(1，1)模型P=3.62，C=0.06767;改进后的GM(1，1)模型P=4.28，C=0.03999。
可以看出，改进前后两个模型精度均比较好，但改进后模型精度比改进前更好。
这说明传统灰色猜测技术在对年份较近的负荷进行猜测时占有优势，而在长期的负荷猜测中，改进后的灰色猜测模型具有更高的外推性。
5 结论
电力负荷受多种因素影响，属于灰色系统的范畴。
本文对GM(1，1)模型进行改进，介绍了等维灰度递补GM(1，1)的建模原理，运用山东省2000-2007 年的用电需求负荷成立的等维灰度递补GM(1，1)猜测模型，猜测山东省20XX年和20XX年的用电负荷，与实际用电负荷对比，验证了灰色马尔科夫模型在对电力负荷进行长期猜测时具有较高的精度。
在猜测量比较大时，等维灰度递补的改进方法计算量较大，需要继续改进。
基金项目
河北省社科基金项目(HB12GL073)：河北省港口物流竞争力评价及进展策略研究。
河北省教育厅自然科学基金项目(GH121003)：煤炭港口生产作业计划风险操纵及优化策略研究。
参考文献
[1]牛东晓，曹树华，赵磊，张文文.电力负荷猜测技术及其应用[M].北京：中国电力出版社，2006.
[2]牛勇，王震宇，王红军，孙毅，李欣.改进灰色模型在中长期电力负荷猜测中的应用[J].上海电力学院学报：20XX，29(2)：64-69.
[3]孙相文，俞明传.电力市场中电力负荷灰色猜测[J].生产力研究：20XX，19(2)：151-152.。