电力系统负荷预测-基本方法以及分析
电力系统负荷预测方法分析及应用
电⼒系统负荷预测⽅法分析及应⽤电⼒系统负荷预测⽅法分析及应⽤摘要：本⽂⾸先简要介绍了电⼒系统负荷预测的基本原理，然后系统地介绍和分析了⼏种主要的电⼒系统负荷预测的⽅法及其应⽤。
关键词：电⼒系统；负荷预测；基本原理1.引⾔负荷预测就是以已知的电⼒需求为出发点，详细分析电⼒的历史数据并综合考虑政治、⽓候、经济等⼀些相关的因素，对以后⽤电需求做出预测与估计。
负荷预测包含两⽅⾯，即预测未来的需求量和未来的⽤电量前者的预测可以决定发电、输电、配电系统容量的⼤⼩，⽤电量能够决定发电设备的类型。
负荷预测的⽬的是提供负荷发展的⽔平，通过分析，可以确定每个供电区、各规划年供⽤电量，规划地区总的负荷发展⽔平以及每⼀规划年⽤电负荷的构成等。
负荷预测是电⼒系统调度、规划、供电等管理部门的基础⼯作；准确、有效的负荷预测不仅可以合理安排电⽹内部机组的启停、保持电⽹安全稳定的运⾏，还可以减少⼀些不必要的储备容量，合理安排检修计划；从⽽保证了正常的⽣产，有利于经济效益和社会效益的提⾼。
2.电⼒系统负荷预测的原理通常来说预测电⼒系统负荷最直接最有效的⽅法是建⽴⼀个负荷模型，该模型有两层含义：⼀是负荷的时空特性，⼆是负荷电压和频率特性。
对于负荷的时空特性指的是随着时间与空间的不同分布，负荷的分布也会不同。
这种负荷模型往往是⽐较复杂的，研究⼈员通常是采⽤负荷时间曲线来描述这种特性。
这样负荷曲线以时间为依据，就可以分为⽇负荷、周负荷、季负荷以及年负荷；如果换成以时空⾓度为划分依据，则此曲钱⼜可分为系统、节点和⽤户三种负荷曲线；若按照负荷的性质来分，负荷曲线⼜可以分为⼯业、农业、市政以及⽣活负荷等。
在⼀般的安全运⾏的过程中，负荷模型指的就是未来时空特性，因此也可以将此作为负荷预测模型。
通常负荷预测模型包含的内容是⾮常⼴泛的，在运⾏的过程中不仅能进⾏短期或者实时的负荷预测，还能在规划电⼒系统时做长期的预测。
负荷的预测通常采⽤的是概率统计，有效地分析⼯具即为时间序列分析，由于是预测未来的负荷，所以会存在或多或少误差。
电力系统中的电力负荷预测算法和模型优化
电力系统中的电力负荷预测算法和模型优化随着电力需求的不断增长和电力系统规模的扩大，电力负荷预测成为了电力系统运行和规划的关键。
准确的电力负荷预测可以帮助电力系统管理者合理安排电力供应，提高电力系统的可靠性和效率。
电力负荷预测是根据历史负荷数据和其他影响因素，通过建立预测模型来预测未来一段时间内的负荷需求。
在电力系统中，负荷预测涉及多种因素，包括天气状况、季节变化、节假日等。
为了提高电力负荷预测的准确性和精确度，研究人员提出了各种预测算法和模型优化方法。
下面将介绍一些常用的电力负荷预测算法和模型优化技术。
1. 时间序列分析方法时间序列分析是一种常用的电力负荷预测方法，它利用历史负荷数据的时间趋势和周期性来预测未来的负荷需求。
常用的时间序列分析方法包括ARIMA模型（自回归移动平均模型）和指数平滑模型。
ARIMA模型是一种基于统计学的负荷预测方法，它通过建立负荷数据的自回归和移动平均模型，来对未来的负荷进行预测。
指数平滑模型则是一种根据过去负荷数据的加权平均来预测未来负荷的方法，它对最近的负荷数据给予更高的权重。
2. 机器学习方法近年来，随着机器学习技术的快速发展，越来越多的研究人员开始将机器学习方法应用于电力负荷预测。
机器学习方法根据历史负荷数据和其他影响因素，通过训练模型来预测未来的负荷需求。
常用的机器学习方法包括支持向量机（SVM）、神经网络和决策树等。
支持向量机是一种常用的分类和回归分析方法，它通过构建超平面来对负荷数据进行分类和预测。
神经网络模型模拟了人脑的神经元连接，通过训练和优化权重来实现负荷预测。
决策树模型则通过建立一系列的决策规则来对负荷数据进行分类和预测。
3. 基于模型优化的方法除了选择适当的预测算法，模型优化也是提高负荷预测准确性的重要手段。
模型优化包括特征选择、参数优化和模型融合等技术。
特征选择是在建立预测模型时，选择最具相关性和重要性的特征进行建模。
通过剔除冗余和不相关的特征，可以提高模型的泛化能力和预测准确性。
电力系统负荷预测方法及特点
电力系统负荷预测方法及特点1引言负荷预测是从已知的用电需求出发，考虑政治、经济、气候等相关因素，对未来的用电需求做出的预测。
负荷预测包括两方面的含义：对未来需求量（功率）的预测和未来用电量（能量）的预测。
电力需求量的预测决定发电、输电、配电系统新增容量的大小；电能预测决定发电设备的类型（如调峰机组、基荷机组等）。
负荷预测的目的就是提供负荷发展状况及水平，同时确定各供电区、各规划年供用电量、供用电最大负荷和规划地区总的负荷发展水平，确定各规划年用电负荷构成。
2负荷预测的方法及特点2.1单耗法按照国家安排的产品产量、产值计划和用电单耗确定需电量。
单耗法分”产品单耗法"和“产值单耗法”两种。
采用”单耗法”预测负荷前的关键是确定适当的产品单耗或产值单耗。
从我国的实际情况来看，一般规律是产品单耗逐年上升,产值单耗逐年下降。
单耗法的优点是：方法简单，对短期负荷预测效果较好。
缺点是：需做大量细致的调研工作，比较笼统，很难反映现代经济、政治、气候等条件的影响。
2.2趋势外推法当电力负荷依时间变化呈现某种上升或下降的趋势，并且无明显的季节波动，又能找到一条合适的函数曲线反映这种变化趋势时，就可以用时间t为自变量，时序数值y为因变量，建立趋势模型y=f(t)°当有理由相信这种趋势能够延伸到未来时，赋予变量t所需要的值，可以得到相应时刻的时间序列未来值。
这就是趋势外推法。
应用趋势外推法有两个假设条件：①假设负荷没有跳跃式变化；②假定负荷的发展因素也决定负荷未来的发展，其条件是不变或变化不大。
选择合适的趋势模型是应用趋势外推法的重要环节，图形识别法和差分法是选择趋势模型的两种基本方法。
外推法有线性趋势预测法、对数趋势预测法、二次曲线趋势预测法、指数曲线趋势预测法、生长曲线趋势预测法。
趋势外推法的优点是：只需要历史数据、所需的数据量较少。
缺点是：如果负荷出现变动，会引起较大的误差。
2.3弹性系数法弹性系数是电量平均增长率与国内生产总值之间的比值，根据国内生产总值的增长速度结合弹性系数得到规划期末的总用电量。
电力系统中的电力负荷建模与预测
电力系统中的电力负荷建模与预测概述电力负荷的准确建模与预测是电力系统运行和规划中的关键问题。
它不仅对电网的稳定运行和资源优化具有重要意义，还对新能源发展、能源消耗的节约以及电力市场的运行等产生深远影响。
本文将从电力负荷的建模方法、预测技术以及应用领域等方面进行论述，旨在全面介绍电力负荷建模与预测的相关内容。
电力负荷建模方法电力负荷建模是对电力负荷进行数学或统计方法描述的过程。
为了准确地模拟和预测电力负荷的变化，需要综合考虑多个因素，如时间、天气、经济和社会等。
以下是几种常见的电力负荷建模方法。
1. 统计建模统计建模是利用历史数据对电力负荷进行建模和预测的方法之一。
该方法通过分析历史数据的变化趋势和周期性，运用数学统计学的知识来建立模型。
常见的统计建模方法包括时间序列分析、回归分析和灰色系统理论等。
这些方法能够较好地捕捉到电力负荷的变化规律，但对于异常情况（如节假日、突发事件）的预测能力有限。
2. 人工智能建模人工智能建模是近年来应用广泛的一种电力负荷建模方法。
它利用人工智能算法，通过对大量数据的学习和训练，构建出适应性较好的负荷预测模型。
人工智能方法包括神经网络、支持向量机和遗传算法等，并且可以根据实际需要灵活选用不同的算法。
相比于传统的统计方法，人工智能方法更具有适应性和鲁棒性，能够更好地处理非线性和非稳态的负荷数据。
电力负荷预测技术电力负荷预测是对未来一段时间内电力负荷进行估计的过程。
准确的负荷预测有助于电网的运行调度和电力市场的交易决策。
以下是几种常见的电力负荷预测技术。
1. 基于统计学方法的负荷预测基于统计学方法的负荷预测是一种常见且有效的预测技术。
通过对历史数据的分析，结合时间序列分析、回归模型等统计学方法，对未来的负荷进行预测。
这种方法较为简单，计算速度快，适用于确定性负荷预测，但对于非线性和非稳态的负荷数据效果较差。
2. 基于人工智能方法的负荷预测基于人工智能方法的负荷预测是近年来研究热点之一。
电力负荷预测与分析
电力负荷预测与分析电力负荷预测与分析是电力系统运行中非常重要的一部分，也是现代物联网应用不可或缺的环节。
电力行业是我国国民经济的重要组成部分，稳定的电力运行对整个国家和社会都起着巨大的作用。
因此，科学的负荷预测和分析是电力系统运行的必要手段，也是推进能源转型升级的重要体现。
一、基础概念电力负荷预测是指根据历史数据和基础信息，利用统计、数学等方法来预测未来几日、几周、几个月的负荷用电情况，目的是为了保证电力系统的稳定运行和供需平衡。
电力系统负荷预测主要涉及到许多方面的因素，包括天气、季节、工业结构、生产方式等，因此，预测工作需要涉及到多学科知识的综合储备。
二、负荷预测方法1、时间序列法时间序列法是以时间为变量的统计模型，通过对历史、现有数据的分析和拟合，来预测未来电力负荷变化趋势。
该方法依赖于历史和现有数据的完整性和准确性，且对自然影响如节假日、气象（天气、温度、湿度等）等因素的响应能力较差，存在一定的局限性。
2、回归分析法回归分析法通过建立建立输入变量（天气、季节、工业结构、生产方式等）与输出变量（电力负荷用电量）的关系模型来预测未来负荷变化，该方法较好地解决了时间序列分析的诸多缺陷。
3、神经网络神经网络是一种人工神经元组成的模拟方法，通过对大量数据的学习与拟合来预测未来的电力负荷变化趋势。
神经网络模型的预测结果准确性较高，而且学习能力较强，可不断适应新的变化趋势。
三、应用案例负荷预测技术在电力行业中的应用非常广泛，如，在电力设备运行管理方面，通过对负荷趋势的分析来优化设备运行方案，保证电力系统的稳定运行。
在电力供应侧，通过负荷预测，可以启动备用电力源，保障供应的可靠性，在市场供销方面，负荷预测可帮助电力公司与用户更好地进行协调管理，提前与客户沟通，合理调度电源，降低电网负荷风险。
四、发展趋势随着社会经济的发展，电力负荷分布日益发生变化，新型能源的加入以及微网的普及，需要迎接新的技术和挑战，因此，电力负荷预测应逐步往多维度、多尺度、多时空方向迈进，尤其是需要加大对人工智能、大数据分析等技术的应用和推广，同步推动电力设施技术升级和优化，协调新能源、传统能源等能源形式间的协调发展。
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。
电力系统负荷预测方法
电力系统负荷预测方法电力系统负荷预测是电力系统运行中的一个重要环节，它的准确性直接关系到电力系统的稳定性和可靠性。
随着电力系统的发展和电力市场的竞争，负荷预测的准确性和实时性变得越来越重要。
本文将介绍一些常用的电力系统负荷预测方法。
1.时间序列方法时间序列方法是一种常见的负荷预测方法，它是通过对历史负荷数据进行统计分析和建模来预测未来的负荷。
时间序列方法的基本原理是假设负荷数据是一个随时间的随机变量，并且随时间的变化是有规律的。
因此，该方法需要有足够的历史数据，并且需要对历史数据进行分析，以确定负荷变化的规律和趋势。
其中，常用的时间序列方法包括ARIMA模型和季节性趋势模型。
2.数据挖掘方法数据挖掘方法是一种通过挖掘大量数据来发现数据中隐藏的规律和知识的方法。
在电力系统负荷预测中，数据挖掘方法主要包括神经网络、支持向量机、决策树和回归分析等。
这些方法通过对历史负荷数据建立模型，并通过模型来预测未来的负荷。
其中，神经网络是最常用的方法之一，它是一种模拟人类神经系统的计算模型，可以对非线性系统进行建模和预测。
3.统计回归方法统计回归方法是一种基于统计学原理的预测方法，它主要通过对历史负荷数据进行回归分析来预测未来的负荷。
在电力系统负荷预测中，常用的统计回归方法包括线性回归和多元回归。
线性回归是一种基于线性关系的预测方法，它假设负荷数据与时间之间存在线性关系，并通过对历史数据进行线性拟合来预测未来的负荷。
多元回归是一种基于多个自变量的预测方法，它假设负荷数据与多个因素之间存在关系，并通过对历史数据进行多元回归分析来预测未来的负荷。
4.混合方法混合方法是一种将多种预测方法组合在一起的方法，它可以利用不同方法的优势来提高预测准确性。
在电力系统负荷预测中，常用的混合方法包括ARIMA模型和神经网络模型的组合、支持向量机和神经网络模型的组合等。
这些方法通过将不同的预测方法组合起来，可以提高预测准确性和稳定性。
关于电力系统负荷预测方法的分析
关于电力系统负荷预测方法的分析摘要：电力系统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，探索事物之间的内在联系和发展变化规律，对负荷发展做出预先的估计和推测。
电力系统负荷预测是发电部门制定发电计划和燃料计划的首要工作之一，是电力系统调度部门保证系统安全、稳定运行的重要基础，是电力规划部门统筹电力系统发展的有力依据。
本文就电力系统负荷预测方法的进行分析。
关键词：负荷预测；电力系统；预测方法1电力系统负荷预测原理建立负荷模型是电力系统负荷预测最为直接和有效的方法，这一模型包括两方面涵义：①频率特性和负荷电压；②负荷的时空特性。
所谓负荷时空特性，主要是指负荷分布会伴随空间和时间变化而不同。
基于负荷模型的复杂性，所以研究人员对这种特性进行描述通常采用的是负荷时间曲线。
以时间作为依据，负荷曲线可以分为日负荷、周负荷、季负荷和年负荷。
但若是划分依据定为时空角度，则该负荷曲线又有系统、用户和节点三种之分。
除此之外，负荷曲线按照负荷性质划分还包括生活负荷、市政负荷、农业负荷以及工业负荷等。
负荷模型在正常的安全运行中主要是指未来的时空特性，所以这也可视为负荷预测的模型。
系统运行过程中负荷预测模型的内容十分广泛，既可在电力系统规划时进行长期预测，同时也可涉及到短期或实时负荷预测。
概率统计是通常负荷预测所采用的方法，时间序列分析是工具，考虑到是对未来负荷的预测，因此误差的存在不可避免。
比如自然灾害引起的断电就会导致事故时段负荷曲线的变化，诸如此类不确定因素以及负荷变化规律的影响，就是未来负荷预测误差产生的主要原因。
因为人为干预存在，负荷预测模型所得到的结果就不可完全依靠。
但需要注意，对负荷预测模型所计算而得的结果不能全盘否定，通常情况下这些结果的准确度还是较高的。
2中长期负荷预测方法2.1趋势外推法伴随时间变化电力负荷会呈现出上升或是下降的趋势，但这一趋势并没有明显的季节性波动，倘若可以寻找到波动函数曲线，便可完成趋势模型的建立，这个我们用函数y=f（t）表示，其中y是时序数值因变量，而t是时间自变量，如若随着时间变化电力负荷会呈现出上升或是下降的趋势，而这种趋势的延伸又可适用未来情况，那给出一个所属值t时，便可以得到这一时间的序列未来值，我们称这一方法为趋势外推法。
- 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)。
1. 背景电力系统的负荷预测长期以来只有国有的电力公司才会关注，研究人员也主要是电科院，高校以及国网电力公司的相关工程师。
随着能源互联网的发展以及电力改革的推进，针对电力系统负荷预测应用逐步扩展到售电商以及用户，尤其是售电商，其利润的主要来源是对负荷的准确预测，购买长期的有竞争力的电能，而比较大的负荷预测偏差，可能会使售电商高价购买临时电能，降低利润。
当前储能在大工业用户以及工业园区发展比较快，储能的释放以及存储时间选择，也是依靠准确的负荷预测来控制最大需量，同时结合峰谷电价获得最大的经济效益。
因此本文以《电力系统负荷预测》这本书为依据，同时阅读其他的论文，对负荷预测的相关基本理论，数据处理方法，超短期以及短期负荷预测的主要方法进行了分析和介绍。
2. 负荷预测基本原则2.1 拟合与预测历史拟合的最佳不等于预测结果的最佳，例如3个历史数据，通过一个二次多项式可以得到零误差拟合，但是实际的预测效果可能并不好，核心问题是不能把负荷预测作为单纯的数学问题来解决。
2.2 近大远小物理量未来的变化趋势更多的取决于历史时刻近期的发展规律，远期数据与未来的相关性较弱，也就是对远期数据的拟合程度可以比较低。
2.3 负荷成因分析不能把负荷预测作为单纯的数学问题，应该从电力系统的角度，重视负荷发展的内在规律分析，通过分析，可以得到影响负荷的重要因素以及其发展规律，对算法的选择应用有重要的作用。
2.4 负荷预测需要考虑的因素长期负荷预测主要是GDP和人口等，而短期负荷预测主要是温度，湿度，天气类型，节假日类型等，预测方法应该和实际相结合，尤其是天气因素，尖峰平谷电价以及负荷构成的影响。
2.5 综合预测法单个预测方法可能只能揭示了负荷变化规律的一部分，因此如果将多种预测方法进行有机结合，可以对负荷变化规律进行更好的描述，这种称为综合预测或者组合预测。
综合预测法主要是在预测结果上进行判断，给每种预测模型赋予不同的权重，得到预测效果更好的综合模型。
电子科技大学的唐小我教授这方面研究比较突出，并且证明，综合预测模型的预测误差平方和不大于参与组合的单一模型的预测误差平方和的最小者。
3.负荷预测的数学方法3.1 非线性规划典型的非线性规划可以进行如下的描述： 求取f（x）的最小值 min f（x），条件为hi（x）=0，其中i为1到m，gj（x）>=0,j为1到l，相当于有i+j个约束条件；这类问题分为有约束极值的问题以及无约束极值的问题，无约束极值问题相当于i和j都为0，一元回归分析模型是典型的无约束极值问题，一般梯度法是最优解法。
有约束极值问题的解法制约函数法以及库恩塔克条件。
综合预测属于二次规划问题，是典型的有约束极值问题。
3.2 遗传算法GA属于随机优化算法，传统算法一般以目标函数的梯度作为寻优方向，容易收敛到局部最优点，而GA通过选择，杂交，变异，评价等各类操作，使群体进化到搜索全局最优解。
GA可以直接用于不带约束的优化问题，同时可以方便的求解带决策变量上下限约束的优化问题。
GA的缺点：1、遗传算法的局部搜索能力较差，导致单纯的遗传算法比较费时，在进化后期搜索效率较低2、三个算子的实现也有许多参数,如交叉率和变异率,并且这些参数的选择严重影响解的品质,而目前 这些参数的选择大部分是依靠经验3、没有能够及时利用网络的反馈信息,故算法的搜索速度比较慢，要得要较精确的解需要较多的训练时间.3.3 最小二乘法假设实际数据对为（Xt，yt），使用预测模型进行拟合，假设拟合的函数为：yt=f（S，Xt，t）使得拟合的残差平方和最小，则使得拟合函数值与实际数据的差的平方和最小。
此残差的最小值可以用下列条件取得，注意S是一个参数矩阵。
这样一般会得到一组线性或者非线性方程组，如果是线性方程组，可以直接求解；如果是非线性方程组，需要迭代求解。
对于线性方程组，方程的形式已知，对于非线性方程组，需要先给出具体方程，再估计参数。
3.4 回归分析法回归分析法按照自变量和因变量回归方程之间的关系，可以分为一元线性回归，多元线性回归，一元非线性回归。
一元线性回归分析模型可以表述为：利用最小二乘法，以残差的平方和最小为优化目标，残差对a和b分别求偏导数，可以直接求解a和b。
多元线性回归的分析模型可以表述为，S为参数矩阵，利用同样的方法可以求解。
注意回归模型一般只适用于自变量和因变量的单调序列，也就是不能出现周期性的相关性。
3.4 时间序列分析法时间序列分析法是将时间序列作为随机过程来研究，假设所分析的时间序列是由某个随机过程产生的，然后用时间序列的原始数据建立一个描述该过程的模型，并进行参数估计。
主要的分析方法有自回归模型（AR），移动平均模型（MA），自回归移动平均模型（ARMA），对于非平稳的时间序列，可以用累积式自回归移动平均模型（ARIMA），对于周期性时间序列，则可以用X12ARIMA。
3.4.1 自回归移动平均模型自回归模型认为，负荷现在的值可以由过去的值的加权线性组合以及一个干扰量表示，而移动平均模型，则认为负荷现在的值由随机干扰的当前和历史项的加权之和。
其中Xt1是上一时刻的负荷值，最右边的是随机干扰的当前和历史值的加权之和。
3.4.2 累积式自回归移动平均模型上面的自回归移动平均模型都是建立在随机序列平稳的基础上，天气变化，设备故障/检修以及节假日等都会使负荷的时间序列出现非平稳的随机过程。
可以通过差分计算将其转换为平稳的随机过程，然后按照上面的自回归移动平均模型进行处理。
差分可以进行一次或者多次来实现平稳化。
3.4.3 傅立叶分析以及小波分析傅立叶主要是认为电力负荷是有较强的周期性时间序列，可以通过频域分析法进行分析。
这种分析方法在短期负荷预测时会遇到问题，主要是傅立叶是在整个时域和频域上的分解，对局部的的详细信息分析会遇到问题,而小波分析可以对局部特性做详细分析。
3.5 特征选择以及特征提取技术样本的特征选择是非常重要的，一般在机器学习中，需要学习考虑的相关特征越少，整个学习过程就越快，并且减少学习的特征可以提高学习结果的准确性。
比如负荷可能跟温度，湿度等都有关系，假设湿度的关联性很低，则减少湿度这个特征就可以极大的提高学习速度和准确度。
算法主要有过滤模型，用来寻找最小特征子集；包装模型，根据随后学习算法的准确性评价选用的特征选择算法。
3.5.1 Efroumson算法其主要思路是在选择集中每添加一个新的自变量后，测试在当前的选择集中是否可以去掉一些以前加入的自变量。
假设Qp为选择集中加入p个变量后的拟合函数与目标值之间的余项平方和，当增加一个变量后，余项平方和为Qp+1.当R大于某一个阈值时（说明残差是变小的），允许这个变量加入。
去掉一个变量的的方法类似，R小于某一个阈值时，允许删除。
3.5.2 基于学习方法的特征提取技术这里有多元数理统计的两个方法，分别是主成分分析和因子分析法。
3.5.3 聚类分析特征提取技术通过聚类分析，可以寻找有相似特征的记录数据，据此来选择参考输入，比如通过聚类分为同一组的数据，其某一个特征值的取值差异比较大，却分为同一组，说明此特征值不是主特征。
当前聚类算法用的比较多的是kmeans算法。
3.6 支持向量机传统的负荷预测的机器学习算法是神经网络，尤其是BP神经网络，应用非常广泛，但是其泛化性能不强，且训练效率收初值的影响比较大。
支持向量机SVM的出现有效解决了传统神经网络陷入局部极小值，过拟合等问题，并且在小样本，非线性，数据高位等机器学习问题中表现非常好。
其基本思想是把训练数据非线性的映射到一个更高维的特征空间，在这个高维的特征空间寻找一个超平面使得正例和反例两者之间的边缘距离最大化,这是针对分类问题，而针对回归问题，就是在高维空间寻找输入和输出变量的非线性关系。
4.预测模型选择的标准4.1 基本准则基本的准则有残差平方和以及均方误差（MSE） ， 残差平方和定义为：均方误差的定义为：n为样本容量。
如果模型选择以MSE为标准，则容易出现过拟合。
过拟合（over-fitting）也称为过学习，它的直观表现是算法在训练集上表现好，但在测试集上表现不好，泛化性能差。
过拟合是在模型参数拟合过程中由于训练数据包含抽样误差，在训练时复杂的模型将抽样误差也进行了拟合导致的。
所谓抽样误差，是指抽样得到的样本集和整体数据集之间的偏差。
直观来看，引起过拟合的可能原因有：模型本身过于复杂，以至于拟合了训练样本集中的噪声。
此时需要选用更简单的模型，或者对模型进行裁剪。
训练样本太少或者缺乏代表性。
此时需要增加样本数，或者增加样本的多样性。
训练样本噪声的干扰，导致模型拟合了这些噪声，这时需要剔除噪声数据或者改用对噪声不敏感的模型。
4.2 对自由度施加惩罚的模型选择标准4.2.1 自由度修正均方差这里的自由度是待估计的参数个数, 增加自由度惩罚的均方差定义为：从上面公式可以看出，变量个数k的个数影响均方差，引入更多的变量不一定会使均方差变小。
4.2.2 赤池信息准则这个是日本统计学家赤池根据极大似然估计原理提出一种模型选择准则，通常称之为AIC，计算公式为：部分软件给出的是AIC的对数值，就是两端取ln。
4.2.3 施瓦茨信息准则施瓦茨信息准则SIC是另一个非常重要的模型选择准则，针对上面的三个选择原则，在k/n变化情况下，S2的惩罚最小，且随着k/n的变化增长缓慢，AIC的惩罚稍大，SIC的惩罚最大，并且随着k/n的变化增长最快。
4.3 预测残差平方和准则预测残差平方和准则（PRESS）是一个衡量你和函数对样本数据集推广能力的准则。
其具体实现为：在全部n个观测样本集中取消第t个观测值后，对余下的n-1个样本做函数拟合，然后检验拟合结果和第t个值的差值，针对这个样本集中的n个观测值做同样的操作，则PRESS的定义为：其中vt为第t个观测值和拟合值的差值。
5. 负荷分析的相关基本概念这里的负荷是需量，而不是实时负荷，这点要特别注意，因此需量的定时记录是非常重要的，可以记录每个实时需量，定时记录也应该保证不记录重复的需量值，保证需量产生后再记录。
日最高负荷:每天的需量最大值。
日最低负荷：每天的需量最小值日平均负荷：每天的所有需量平均值。
日负荷率： 日平均负荷与最大负荷的比率。
分析每天的最大负荷以及发生的时间，最小负荷以及发生时间，高于给定数值的段数以及低于给定数值的段数，对于分析负荷特点是非常有意义的。
6. 基于同类型日的短期负荷预测方法短期负荷预测的最大特点是短期负荷有明显的周期性，第一是不同日之间的24时整体变化规律的相似性，第二是不同周，同一星期类型日的相似性；第三是工作日/休息日各自有相似性；第四是不同年度的重大节假日负荷曲线的相似性。