电力系统中长期负荷预测的大数据分析
电力系统中基于大数据分析的负荷预测与调度
电力系统中基于大数据分析的负荷预测与调度在电力系统中，负荷预测与调度是至关重要的任务，它可以帮助电力公司更好地规划和管理电力资源，确保供电稳定。
随着大数据技术的发展，基于大数据分析的负荷预测与调度正逐渐走入电力行业的视野。
本文将介绍电力系统中基于大数据分析的负荷预测与调度的背景和意义，并探讨如何利用大数据分析来提高负荷预测与调度的准确性和效率。
首先，我们来了解一下负荷预测与调度的背景和意义。
电力系统中的负荷是指用户对电力的需求量，而负荷预测则是根据历史和实时数据来预测未来一段时间内的负荷水平。
准确的负荷预测可以帮助电力公司合理安排电力资源，避免供需不平衡带来的电力供应问题。
同时，负荷调度则是根据负荷预测结果，进行电力生产和供应的调度和优化，以满足用户需求，提高电力供应的质量和效率。
因此，准确的负荷预测与调度对于电力系统的运行和稳定至关重要。
大数据分析在负荷预测与调度中的应用可以为我们提供更准确的预测结果。
在传统的负荷预测中，主要依赖于经验模型和统计学方法，其准确性和预测能力有限。
而利用大数据分析，可以从海量的历史和实时数据中发现隐藏的规律和趋势，提高负荷预测的准确性。
通过对多种数据源进行整合，如气象数据、经济数据和历史用电数据等，可以建立更精准的负荷预测模型。
大数据分析在负荷调度中的应用也可以提高电力系统的运行效率。
通过分析用户用电行为和需求特征，可以制定合理的负荷调度策略，提前做好资源准备，避免供需不平衡的情况发生。
同时，大数据分析还可以实现电力系统的实时监控和精细化管理，及时发现问题并做出调整，提高电力系统的稳定性和可靠性。
那么，如何利用大数据分析来提高负荷预测与调度的准确性和效率呢？首先，需要建立一个完整的数据采集和存储系统，实时收集和保存各种与电力系统相关的数据，包括天气数据、经济数据、用户历史用电数据等。
其次，需要构建适用于负荷预测和调度的数据分析模型，可以使用机器学习算法、时间序列分析方法等来建立预测模型，并根据实时数据不断更新模型，提高预测的准确性。
大数据分析在电力系统负荷预测与调度中的应用
大数据分析在电力系统负荷预测与调度中的应用电力系统负荷预测与调度一直是电力行业中的重要问题，能否准确地预测负荷量对于电力系统的安全稳定运行至关重要。
随着大数据技术的迅速发展，大数据分析在电力系统负荷预测与调度中的应用也越来越受到关注。
本文将探讨大数据分析在电力系统负荷预测与调度中的应用，并分析其影响和意义。
1. 大数据在电力系统负荷预测中的应用电力系统负荷预测是指根据历史负荷数据和其他影响因素，通过建立数学模型预测未来一段时间（如小时、天、月等）的负荷变化情况。
而大数据技术的应用使得负荷预测更加准确和精细化。
首先，大数据技术可以帮助电力行业采集并整合多种数据源，包括天气数据、能源生产和消费数据、社会经济数据等。
通过对这些庞大且多样化的数据进行分析和挖掘，可以更好地理解各种因素对电力负荷的影响规律，从而提高负荷预测的准确性。
其次，大数据分析可以应用于负荷预测建模。
通过对历史负荷数据进行深度学习、机器学习等算法的训练，可以建立更加精确的负荷预测模型。
这些模型可以根据历史数据的变化规律，快速适应不同的环境和市场变化，并预测未来的负荷变化情况。
此外，大数据技术还可以帮助电力系统监测和分析实时负荷数据，及时发现异常情况并做出相应的调整。
通过实时监控和分析，可以提高对电力系统的实时响应能力，更好地应对负荷波动和突发事件。
2. 大数据在电力系统调度中的应用电力系统调度是指根据负荷需求和各种电力资源的可用性，合理安排和调度各种电力设备的运行，以满足用户需求并保障电网的安全稳定运行。
大数据分析在电力系统调度中的应用可以提高调度决策的精确性和效率。
首先，大数据分析可以提供更全面、准确的电力系统运行和负荷数据。
通过对实时监测数据、历史运行数据和其他相关数据的分析，可以了解电力系统的运行状况和负荷特征，为调度决策提供可靠的依据。
其次，大数据技术可以帮助电力系统进行实时调度。
通过实时监测数据、实时负荷预测和其他相关数据的实时分析，可以快速响应负荷波动和突发事件，并做出相应的调度决策，以确保电力系统的安全可靠运行。
电力大数据分析在电力负荷预测中的应用研究
电力大数据分析在电力负荷预测中的应用研究一、引言随着电力行业的不断发展和技术的不断进步，大数据分析技术逐渐被广泛应用于电力行业中，尤其是在电力负荷预测领域中。
电力负荷预测是电网运行中非常重要的一个环节，若能准确地预测负荷，就能更好地进行电网调度，提高电网的运行效率和安全稳定性。
而大数据分析技术的应用可以有效提高负荷预测的准确性和精度。
二、大数据分析在电力负荷预测中的应用1.数据预处理在进行电力负荷预测之前，首先需要对收集到的大量数据进行预处理，以排除掉一些噪音和异常值，从而为后续的分析和建模提供可靠的数据基础。
在数据预处理中，需要运用一些数据清洗、数据采样、数据标准化等技术，以确保预处理后的数据具有可重复性和有效性。
2.数据挖掘数据挖掘是大数据分析的一个重要环节，其目的是从大量的数据中提取出有用的信息和规律，为后续的数据建模和预测提供支持。
在电力负荷预测中，可以使用聚类、关联规则挖掘、决策树等技术，通过对历史数据进行分析，找出不同时间段、不同天气状况、不同用户类型等因素对负荷变化的影响规律，为后续的负荷预测模型建立提供可靠的数据支撑。
3.建立负荷预测模型在数据挖掘的基础上，我们可以根据历史负荷数据和相关因素数据建立负荷预测模型。
常见的负荷预测模型有时间序列模型、统计模型、机器学习模型等等。
其中，机器学习模型具有非常广泛的应用前景，可以根据历史数据和新数据不断优化预测模型。
常用的机器学习模型有神经网络模型、支持向量机模型、K近邻模型等等。
在选择负荷预测模型时，需要根据具体的情况进行选择，并不断进行模型优化和改进。
4.精度评估和预测结果优化在建立负荷预测模型之后，需要进行精度评估，以评估预测模型的准确性和精度。
常用的精度评估指标有MAE、MSE、RMSE 等等。
在评估过程中，需要不断优化和改进预测模型，提高其预测准确性和精确性，从而为电网调度提供更加可靠的参考依据。
同时，可以通过建立动态负荷预测模型来不断优化预测结果，提高预测的实效性和有效性。
基于大数据分析的电力系统负荷预测算法研究
基于大数据分析的电力系统负荷预测算法研究随着科技的不断发展和智能化的推进，电力系统扮演着现代社会中极其重要的角色。
为了更好地满足社会的需求，提高电力系统的可靠性和稳定性，对电力系统的负荷进行准确的预测显得尤为重要。
而大数据分析技术正是为此提供了一种强大的工具。
本文将探讨基于大数据分析的电力系统负荷预测算法的研究进展。
一、引言电力系统负荷预测是指对未来一段时间内的电力系统负荷进行预测，其准确性对于电力系统的运行和管理至关重要。
传统的负荷预测方法往往基于经验和统计分析，但这种方法在应对复杂的电力系统变化时存在一定的局限性。
而大数据分析技术的出现为电力系统负荷预测提供了新的思路。
二、大数据分析技术在电力系统负荷预测中的应用大数据分析技术通过从庞大的数据中提取规律和模式，为负荷预测提供了更为准确和精细的预测结果。
具体而言，以下是几种常见的大数据分析技术在电力系统负荷预测中的应用。
1. 基于机器学习的负荷预测机器学习技术可以通过对大量历史负荷数据进行学习和训练，建立负荷预测模型，并通过对未来数据的预测来实现负荷预测。
常用的机器学习算法包括支持向量机(SVM)、人工神经网络(ANN)和随机森林等。
这些算法可以通过对历史数据的学习来发现负荷变化的规律，并做出相应的预测。
2. 基于深度学习的负荷预测深度学习技术是机器学习的一种扩展，可以处理更加复杂和庞大的数据。
在负荷预测中，深度学习算法如卷积神经网络(CNN)和长短时记忆网络(LSTM)等被广泛应用。
深度学习算法通过多层次的神经网络模型，可以更好地挖掘数据中的特征和模式，提高负荷预测的准确性。
3. 基于时间序列分析的负荷预测时间序列分析是指对一系列按照时间顺序排列的数据进行建模和分析的方法。
对于电力系统负荷预测而言，时间序列分析可以通过对历史负荷数据进行分析和建模，预测未来一段时间内的负荷情况。
常用的时间序列分析方法包括自回归移动平均模型(ARIMA)和指数平滑模型等。
城市电力系统负荷预测与大数据分析
城市电力系统负荷预测与大数据分析现代城市的电力系统扮演着至关重要的角色，为居民和企业提供可靠、稳定的电力供应。
然而，由于城市发展的不确定性和用电需求的波动性，电力系统负载预测成为了一个关键的挑战。
为了更好地管理电力系统并提高其效率，大数据分析技术被引入到负荷预测中。
城市电力系统负荷预测是指根据历史数据、天气信息、社会经济因素等多种因素，利用数学模型和算法预测未来一段时间内的电力需求。
通过准确地预测负荷变化，电力系统可以更好地进行调度安排，以避免供电不足或浪费，提高能源的利用率和经济效益。
大数据分析在负荷预测中发挥重要作用。
首先，大数据分析可以处理和整合来自各个领域的多源数据，例如历史用电量、天气数据、公共假期等。
通过分析历史数据，系统可以利用机器学习算法来发现隐藏在海量数据背后的模式和规律。
这些模式和规律能够帮助系统更好地理解电力需求与各种因素之间的关系，并为预测提供可靠的依据。
其次，大数据分析可以利用实时数据源动态更新预测模型，实时监测和调整预测结果。
例如，如果突发事件或系统故障导致电力需求的突变，系统可以立即对预测模型进行调整，以更准确地反映实际情况。
这种实时的反馈机制可以提高负荷预测的准确性和响应速度。
另外，大数据分析还可以使用数据挖掘技术来发现异常事件或潜在的风险因素。
通过对历史数据的分析，系统可以预见可能导致高负荷或供电中断的因素，从而提前采取相应的措施，如增加发电容量或调度用电设备。
这种前瞻性的分析可以减少系统发生故障或供电不足的可能性，提高电力系统的可靠性和稳定性。
此外，大数据分析还可以与其他领域的技术相结合，如人工智能和物联网。
通过将电力系统与智能电表、智能家居等设备连接起来，系统可以实时获取用电数据，并与其他环境因素（如温度、湿度等）进行关联分析。
这样一来，系统可以更精确地预测负荷需求，并根据实时情况进行调整，以实现能源的高效利用。
然而，在利用大数据进行负荷预测和分析时，也存在一些挑战和问题。
大数据分析在电力系统负荷优化中的应用研究
大数据分析在电力系统负荷优化中的应用研究随着电力系统的规模逐渐扩大和发展，负荷优化成为提高电力系统运行效率和降低能源浪费的重要手段。
然而，电力系统涉及到大量的数据，包括发电量、负荷需求、能源价格等信息，如何利用这些数据进行分析和优化，成为了电力系统研究的重点之一。
本文将探讨大数据分析在电力系统负荷优化中的应用研究。
一、大数据分析在电力系统负荷预测中的应用电力系统负荷预测是电力系统负荷优化的基础。
通过对历史负荷数据进行分析，结合天气、节假日和经济指标等因素，可以准确地预测未来一段时间内的负荷需求。
大数据分析在电力系统负荷预测中的应用主要有以下几个方面：1. 数据采集与处理：电力系统负荷预测需要从各个节点收集大量的数据，包括历史负荷数据、天气数据、经济数据等。
通过大数据平台和数据挖掘技术，可以对采集到的数据进行有效处理，提取有用的特征，并进行清洗和去噪，以提高负荷预测的准确性。
2. 数据建模与优化：基于历史数据，可以建立多种负荷预测模型，如基于回归分析、时间序列分析、神经网络等的预测模型。
通过大数据分析技术，可以对这些模型进行深入的优化，选择最优模型，并进行参数调整和拟合，使得负荷预测结果更加准确。
3. 实时负荷预测：当面临突发事件或异常负荷波动时，提前准确地进行负荷预测对电力系统的稳定运行至关重要。
大数据分析技术可以实时处理大量的数据，并结合实时数据流分析和机器学习算法，实现实时负荷预测，对电力系统的实时运行提供及时的决策支持。
二、大数据分析在电力系统负荷调度中的应用负荷调度是根据电力系统的负荷需求和发电能力，将各个发电机组合理地分配和调度，以实现电力供需平衡的过程。
大数据分析在电力系统负荷调度中的应用主要有以下几个方面：1. 数据监测与分析：电力系统负荷调度需要监测和分析各个发电机组的运行状态和负荷变化情况。
通过大数据分析技术，可以对实时监测数据进行处理和分析，提取有用的特征，如燃料成本、运行效率等指标，并进行多维度分析，实现对发电机组的精确调度。
基于大数据的电力负荷预测与分析
基于大数据的电力负荷预测与分析在当今高度依赖电力的社会中，准确预测电力负荷对于电力系统的规划、运行和管理具有至关重要的意义。
电力负荷预测是指根据电力系统的历史数据、气象信息、经济指标以及社会活动等因素，对未来某一时间段内的电力需求进行估计和推测。
随着大数据技术的快速发展，为电力负荷预测提供了更丰富的数据来源和更强大的分析手段，使得预测的准确性和可靠性得到了显著提高。
一、大数据在电力负荷预测中的应用优势大数据的特点主要体现在数据量大、数据类型多样、数据处理速度快和数据价值密度低等方面。
在电力负荷预测中，这些特点带来了诸多优势。
首先，海量的数据量为负荷预测提供了更全面的信息。
传统的负荷预测方法往往依赖于有限的历史数据，而大数据技术能够整合来自不同渠道的大量数据，包括电力系统内部的实时监测数据、用户用电数据，以及外部的气象数据、经济数据、社会活动数据等，从而构建更完整的负荷特征模型。
其次，多样化的数据类型能够揭示更多的负荷影响因素。
除了传统的数字型数据，还包括文本、图像、音频等非结构化数据，例如通过社交媒体上的用户讨论可以了解到某些特殊活动或事件对电力需求的潜在影响，通过卫星图像分析可以获取区域内的建筑物分布和使用情况，进而推断出相应的电力负荷。
再者，快速的数据处理速度能够实现实时预测和动态调整。
电力系统的运行状态是不断变化的，及时获取和处理最新的数据对于准确预测负荷至关重要。
大数据技术能够在短时间内对海量数据进行分析和计算，快速更新预测结果，为电力调度和运行提供实时支持。
最后，尽管大数据中的价值密度较低，但通过先进的数据分析算法和模型，可以从海量数据中挖掘出有价值的信息和潜在规律，为负荷预测提供更准确的依据。
二、电力负荷预测中的大数据来源1、电力系统内部数据包括智能电表采集的用户用电数据、变电站和输电线路的监测数据、发电设备的运行数据等。
这些数据能够反映出电力系统的实时运行状态和用户的用电行为特征。
利用大数据技术的电力负荷预测研究
利用大数据技术的电力负荷预测研究随着工业化、城市化的普及和人口增长，电力消费量逐年增加。
准确地预测电力负荷可以提高电力系统的调度效率，防止过载和停电等问题。
传统的负载预测方法无法完全适应现代复杂多变的用电场景，而大数据技术的兴起为电力负荷预测带来了新的思路和方法。
一、大数据技术在电力负荷预测中的应用1. 数据挖掘数据挖掘是大数据技术中的核心方法之一，通过对历史负荷数据进行处理和分析，可以挖掘出其中的潜在关系和规律。
例如，可以通过时间序列分析方法，对负荷随时间的变化趋势进行建模，然后根据建好的模型进行预测，从而获得更准确的负荷预测结果。
2. 机器学习机器学习是大数据时代的重要技术之一，通过对大量数据的学习和训练，将数据中的隐含知识提取出来。
在电力负荷预测中，可以利用机器学习方法对历史负荷数据进行分类和聚类分析，从而找到数据的内在结构和规律。
利用这些数据的内在信息，可以建立预测模型，对未来的负荷变化进行预测。
3. 智能优化智能优化是一种利用计算机算法和数学模型，对电力系统进行优化和调度的技术。
通过对电力系统进行建模和优化，可以实现电力负荷的平衡和优化，从而提高电力系统的可靠性和运行效率。
利用智能优化技术可以对负荷进行动态、实时优化，从而在限制条件下实现最佳的负荷平衡。
二、利用大数据技术进行电力负荷预测的优势电力负荷预测是一个非常复杂和具有挑战性的问题，传统方法往往难以应对新能源发电、不稳定用电场景等不确定性因素。
而利用大数据技术进行电力负荷预测可以带来以下优势：1. 实时性大数据技术可以实时获取和处理大量的数据，并利用这些数据进行模型训练和预测，实现电力负荷的实时预测和调度。
2. 高准确性大数据技术可以根据历史负荷数据和实时数据进行建模和分析，从而对未来的负荷情况进行精确预测，提高预测的准确性和可靠性。
3. 高灵活性大数据技术可以处理各种数据类型和格式，可以灵活地处理各种不同的用电场景，从而适应不同的负荷预测需求。
- 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)。
分区建模要依据分区的层次，从一级分区开始，逐层深入。发展不同、负荷密度不同的区域，分区
级数会有所区别。对某一分区用
I
m n
表示，其中
m
表示分区的级数，
n
表示每个分区层级中的不同分区，
若对于子分区
I
m n
有
s
个下级子分区，则有
s
∑ I
m n
=
I m+1 n,k
(1)
k =1
那么整个预测区域 I 可表示为
新 装用 用 用、 电
户 购
电新 数增
设 备
…
电
据及 变
及…
量
更类
型
相关影响因子数据
经人政 济口策 相相相… 关关关… 数数数 据据据
Figure 1. Frame diagram of big data load forecasting 图 1. 大数据负荷预测框架图
结合数据分布情况，通过各种数据采集终端、政府信息发布平台等渠道收集这些数据。 数据通信与预处理：预测基础数据是分布在广域空间上的，各采集终端所获得数据必须通过通信传
车
汽车轮胎制造
…
采
及延
制
…
掘
展加
造
汽车装配
业
工业
业
……
Figure 3. Horizontal and vertical relationship diagram among big load 图 3. 大负荷间横、纵关联关系图
210
电力系统中长期负荷预测的大数据分析
4. 大数据预测建模
4.1. 分区模型
Keywords
Mid-Long Term Load Forecasting, Big Data, Partition and Classification of Load, Elaborate Load Forecasting Model
电力系统中长期负荷预测的 大数据分析
王小平，李 阳，雍 军，张 浩，何 冰，郑 涛，程潜善，方华亮 国网四川省电力公司绵阳供电公司，绵阳 Email: qianshan_ch@ 收稿日期：2014年10月31日；修回日期：2014年11月19日；录用日期：2014年11月26日
大数据技术[10] [11]是解决预测问题强有力的工具，为负荷预测提供了一种全新的思路，它以数据的 分析处理为中心，从数据中挖掘出隐含未来发展的信息。中长期负荷预测是典型的数据决定问题，利用 大数据方法，对负荷大数据进行细致的分析处理，能很好地发掘出负荷的分布情况和变化趋势。本文首 先从整体上构建大数据思想下中长期负荷框架，然后就框架中数据分析处理和建模预测两个核心部分进 行了详细的分析，通过数据的分区分层与分类、建立与之相适应的预测模型，最后通过实例验证了方法 的有效性。
中长期负荷预测受到诸多随机因素的影响，没有明确的数学机理，数学模型无法准确地描述负荷变 化规律[9]。根本上决定负荷变化的是各类型数据，而模型只是数据的支撑。所以精准的负荷预测只有尽 可能搜集、发掘影响负荷变化因子的数据，全面考虑各种不同因素对负荷的影响。而实际上，电网在运 营过程中已收集到大量的负荷信息，如各地负荷的类型与分布情况，另外各相关部门提供的诸如经济、 气候等也会随技术革新而愈加全面、准确。根据这种趋势，本文提出了基于大数据思想的中长期负荷预 测方法，是在数据的分析基础上建模预测。
3. 负荷大数据分析
中长期负荷预测除了需搜集大量的影响因素数据外，电网本身也会有大量的负荷数据产生。这些数 据不仅体量大，类型多，而且相互关系复杂，在建模预测前必须进行详细的数据分析，构建起数据间层
209
电力系统中长期负荷预测的大数据分析
次结构体系，这便需要对负荷进行分区分层与分类处理。 负荷分区分类是细致考虑底层负荷个性，实现精细化预测的手段，能针对不同地域负荷的分布、类
Abstract
A mid-long term load forecasting method based on big data theory is proposed because of the present complicated forecasting models and bad adaptability. The method focuses on the data and the load in large area is partitioned to different levels and classified to different types. Then the relationships among data are researched. Based on the characteristic of each partition and analysis of corresponding data, the load forecasting model is established, and thus the elaborate load forecasting is realized. In the end, the validity of the method is proved by practical example in power system.
Smart Grid 智能电网, 2014, 4, 207-215 Published Online December 2014 in Hans. /journal/sg /10.12677/sg.2014.46030
Big Data Analysis of Mid-Long Term Load Forecasting in Power System
2. 大数据思想负荷预测框架
负荷预测一般包括确定预测目标、负荷数据收集、数据分析处理、建模预测和误差分析等几个环节。 基于大数据思想的负荷预测对数据的要求更高，要对数据源进行全面分析，且更依赖通信网络和微机技 术来传送汇集存储数据，以形成大数据平台，如图 1 所示。
数据源分析与采集：中长期负荷预测的影响因素多，相关数据不仅体量大、类型多，相互影响与层 次关系也非常复杂。在收集之前，对数据进行全面分析，确定其种类和影响负荷的方式。在此基础上，
208
电力系统中长期负荷预测的大数据分析
大数据预测方法
缺失数据补全 时效性检验 错误数据修正
数据分布、关联 性
数据特征值、变 化规律
大数据平台
建
数 据 分 析 处
模 预 测 、 误 差
理
分
析
数据预处理
模型结构 模型参数 结构、参数调整 结果误差检验 预测参数调整
数据通信
数据采集
数据源
电网数据 ··
关键词
中长期负荷预测，大数据，负荷分区分类，精细化预测
1. 引言
中长期负荷预测是对未来五到十年及以上的负荷进行预测，为电网规划和建设提供参考。预测时间 周期长、影响因子多，除了经济水平、产业结构、相关政策外，还受到新型负荷如电动汽车等的迅速发 展，节能环保政策，以及气候的异常变化等的影响，中长期负荷预测是一个十分复杂的多维、非线性的 不确定性问题。很多学者对中长期负荷预测进行了研究，主要有回归分析法[1]、灰色系统理论预测法[2] [3]、以及人工智能预测方法如神经网络预测法[4] [5]、证据理论预测法[6]、数据挖掘技术[7]及支持向量 机预测法[8]。这些预测方法主要是以模型或算法为中心，基于某种数学理论，建立负荷预测模型，并根 据实际情况进行相应的改进，计算得到负荷预测结果。预测结果严重依赖于数学模型，对于基础数据类 型多样，模型的适应性较差。
某市
……
某区、县
……
……
某街 道、村
……
……
……
……
工厂 负荷
居民 楼负荷
办公 楼负荷
户外 设施负 荷
……
Figure 2. Open hierarchy chart of load partition and classification 图 2. 开放性负荷分区分类层次图
汽车配件制造
金
金属
汽
属
冶炼
大负荷间的关联关系与产业间关系相对应，主要有横向关联与纵向关联。横向关联指同一级别的产 业负荷间相互影响关系，既有竞争又有共生，纵向关联指不同级别，即存在上下游产业负荷间作用关系， 只有共生关系，如汽车生产企业负荷间的横纵关联关系如图 3 所示。
对于有横纵关联关系的大负荷，可将其分别从原有的各分区内提取出来，组成独立的虚拟分区，对 虚拟分区内的负荷进行单独预测，整体修正。单独预测是对虚拟分区内的负荷依据各自的变化趋势和影 响因素分别做出预测，整体修正是根据负荷间的关联类别和关联程度对各负荷的预测结果作出整体上的 修正。
Xiaoping Wang, Yang Li, Jun Yong, Hao Zhang, Bing He, Tao Zheng, Qianshan Cheng, Hualiang Fang Mianyang Power Supply Company, State Grid Sichuan Electric Power Company, Mianyang Email: qianshan_ch@ Received: Oct. 31st, 2014; revised: Nov. 19th, 2014; accepted: Nov. 26th, 2014 Copyright © 2014 by authors and Hans Publishers Inc. This work is licensed under the Creative Commons Attribution International License (CC BY). /licenses/by/4.0/
建模预测与误差分析：基于大数据的负荷预测建模是针对数据的建模，是根据数据的分布规律与变 化规律建立的与数据相适应的模型，能针对数据的改变做出相应调整，最后通过误差分析进一步修正模 型中的参数。