下载文档原格式
电力系统中的超短期电力负荷预测电力系统是现代社会不可或缺的基础设施之一，能源的供需平衡是保障电力系统稳定运行的关键。
在电力系统中，电力负荷预测是一项必不可少的任务，它对于电力系统的规划、运营和调度具有重要意义。
本文将探讨电力系统中的超短期电力负荷预测技术及其应用。
首先，我们来了解一下超短期电力负荷预测的概念和意义。
超短期电力负荷预测是指对未来几小时内电力负荷的变化趋势进行预估的技术。
与长期和中期负荷预测相比，超短期负荷预测的时间范围更为短暂，但对于电力系统的运行却具有重要的影响。
准确的负荷预测可以帮助电力系统实现负荷的合理分配和优化调度，从而提高电力系统的可靠性和经济性。
目前，超短期电力负荷预测主要依靠统计模型和机器学习算法来实现。
统计模型根据历史负荷数据和相关因素的变化规律，通过建立数学模型来预测未来的负荷情况。
常见的统计模型有回归分析、时间序列等。
机器学习算法则通过对大量历史数据的学习和训练，寻找变量之间的非线性关系，并对未来的负荷进行预测。
常见的机器学习算法有人工神经网络、支持向量机等。
在超短期电力负荷预测中，数据的准确性和完整性是影响预测结果的关键因素。
因此，对于电力系统的数据采集和处理具有重要作用。
以往的数据采集方式主要依靠传统的电表和传感器，但随着智能电力网的发展，新一代的智能电表和传感器的应用加速了电力系统数据的采集速度和精确度，并提供了更多有效的数据特征。
此外，还可以利用电力系统和气象数据、节假日和天气因素等进行特征工程，提升预测模型的准确性。
超短期负荷预测模型的建立需要充足的历史数据来进行训练和验证。
同时，模型的选择和参数的确定也是预测准确性的关键。
在选择模型时，需要考虑数据的特点、预测的时间范围和需求的准确性。
在确定参数时，可以通过交叉验证等方法来选择最优的参数，确保模型的预测能力。
超短期电力负荷预测的应用非常广泛。
首先，它在电力系统的规划和建设中起到了重要的作用。
根据负荷预测结果，可以合理安排电力系统的装机容量和传输能力，以应对未来的电力需求。
电力系统中的电量预测与负荷管理研究电力系统是现代社会不可或缺的基础设施，它为工商业和家庭提供持续稳定的供电服务。
然而，由于电力的需求不断增长，以及可再生能源的使用不断推进，电力系统面临着日益复杂的挑战。
在这样的情况下，电量预测和负荷管理成为了电力系统运营的关键因素。
电量预测是指通过对历史数据和其他相关因素的分析，来预测未来时间段内电力需求的能力。
它对于电力系统的运输和调度具有至关重要的作用。
准确的电量预测可以帮助电力公司合理规划、调配和分配资源，确保电力供应的稳定性和可靠性。
电量预测可以分为短期预测、中期预测和长期预测三个时间段。
短期预测一般指几小时至几天内的电量预测。
该预测主要用于电力系统实时运行和负荷调度。
短期预测需要考虑多种因素，包括历史用电数据、天气情况、季节性变化等。
常用的短期预测方法包括时间序列分析、人工神经网络等。
中期预测一般指几天至几周内的电量预测。
中期预测主要用于电力系统的调度和能源市场运行。
在这个时间段内，天气变化、经济活动等因素对电力需求产生重要影响。
中期预测通常使用基于统计模型和经济数据的方法，例如回归分析、ARIMA模型等。
长期预测一般指几周至几年内的电量预测。
长期预测主要用于电力系统的规划和发展。
它需要考虑的因素更多，包括经济增长、人口变化、政府政策等。
长期预测通常使用基于经济模型和趋势分析的方法，例如系统动力学模型和GDP增长模型等。
除了电量预测，负荷管理也是电力系统运营不可或缺的一环。
负荷管理是指通过优化负荷的分配和调控，以最小化系统的能耗和成本，并确保系统的稳定运行。
负荷管理的目标是合理规划负荷的分配，提高电力系统的效率和可靠性。
负荷管理可以通过多种方式实现，包括负荷平衡、负荷调度和负荷削峰等。
负荷平衡是指在不同时间段内合理分配负荷，以确保整个电力系统的供需平衡。
负荷调度是指根据电力需求和生产能力，在不同的电力源之间进行负荷的调度和优化。
负荷削峰是指通过减少电力需求的峰值，来降低负荷峰值时段的能耗和成本。
短期负荷预测在电网运行中的意义摘要：为了能够保证电力负荷预测在整个地区电网规划中发挥相应的配电功能，那么必须要加强对电力负荷预测的重视，并且进一步的提高电力负荷预测方法研究，保证预测方法对整个地区电网的各个不同领域的电力需求，从而有效的促进我国工业的可持续发展。
关键词：短期负荷预测；方法；应用意义前言随着社会经济的不断发展，人们日常生活水平的不断提高，生活中对于一些电气设备的应用也是越来越广泛，因此生活中对于电力的需求也在不断的增加，电力企业必须要保证更加稳定、更加优质的电力供应。
作为地区电网规划中的一个非常重要的步骤，电力负荷预测是保障整个地区电网络稳定性、可靠性的重要前提，只有通过运用合理的电力负荷预测方法，才能够使预测结果准确，这对于我们进行地区电网的规划建设来说是非常重要的。
1 认识负荷预测1.1 概念负荷预测指的是在充分考虑系统运行特点、自然条件、增容决策及社会影响下，研究出一套能够用系统处理过去及未来负荷的数学方法，也就是在满足一定精度要求前提下，确定某一时刻的负荷值。
具体包括两层含义：对未来需求量的预测和未来用电量的预测。
1.2 特点（1）资料的收集整理依据国民经济及电网有关的历史数据，同时参考国民经济发展规划及城乡总体规划等资料实施负荷预测。
在收集资料的过程中，务必收集地方电源发电量、本区域电量和大电网直供电量，有效避免出现遗漏或者重复情况。
（2）负荷发展的分析针对供电负荷增长较大的县级电网需认真分析原因，可以将一些大用户和主要供电区域的用电情况分别计列，以方便单独分析研究。
（3）规划的协调按照国民经济发展规划，市、县电网规划作为省级电网规划的基础，同时又必须在省级电网规划的原则及框架指导下进行，所以，务必做好与省级电网规划的协调。
2 电力负荷预测的相关概念2.1电力负荷预测的内容随着现代智能电网线路逐步推进，日常的生活工作中都需要使用各种各样的电气设备，运行的各种输电线路必须要加强维护与检测，防止由于各种线路故障造成对日常工作生活产生的影响。
基于EEMD-AE-LSTM的生活用电短期负荷预测
张洁莹;石元博
【期刊名称】《计算机应用与软件》
【年(卷),期】2024(41)3
【摘要】生活用电负荷随机性高,使用单一的预测模型进行预测会造成预测结果精度不高并且预测时间比较长。
建立集合经验模态分解(EEMD)-自动编码器(AE)-长短期记忆网络(LSTM)的组合预测模型用来预测生活用电短期负荷。
采用EEMD算法将负荷数据分解为有限个本征模态分量(IMF)和一个残差分量,与自动编码器训练得到的特征序列组合,并建立LSTM模型预测线性加权产生最终预测结果。
实验结果表明,相对于其他模型,EEMD-AE-LSTM模型的预测精度更高,是一种较为有效的生活用电短期负荷预测方法。
【总页数】6页(P70-74)
【作者】张洁莹;石元博
【作者单位】辽宁石油化工大学计算机与通信工程学院
【正文语种】中文
【中图分类】TP3;TM715
【相关文献】
1.基于配用电信息分区分类的短期空间负荷预测
2.基于用电模式数的大用户负荷短期预测技术研究
3.基于梯度提升树的短期用电负荷预测系统设计
4.基于人群搜索
算法的电网短期用电负荷预测研究5.基于负荷分解与聚类融合的短期用电负荷预测研究
因版权原因，仅展示原文概要，查看原文内容请购买。
电力系统负荷预测技术应用案例话说有这么一个中等规模的城市，就叫它阳光城吧。
这个阳光城啊，那可是发展得越来越红火，高楼大厦不断地冒出来，各种工厂也在逐渐增多，居民的生活也是越来越丰富多彩，电器设备自然是一个接一个地往家里搬。
这时候呢，电力系统的工作人员就有点头疼了。
为啥呢？因为他们得确保电力供应能跟上城市发展的脚步啊。
要是电不够用，那可就麻烦了，大家正看着喜欢的电视节目呢，突然“啪”地一下没电了，或者工厂里的机器正轰隆隆地运转着，突然停工，那损失可就大了。
于是啊，他们就决定引入电力系统负荷预测技术。
这就好比给电力供应这个大工程装上了一个超级智能的“大脑”。
首先呢，他们找来了历史数据。
就像翻旧账本一样，把过去几年里阳光城每个季节、每个月、每天不同时间段的用电量都整理了出来。
比如说，夏天的时候，因为大家都开空调，用电量就像火箭一样往上蹿；而到了冬天，取暖设备一用，用电量也不低。
再看看工作日和周末，工作日的时候工厂用电多，晚上居民用电多；周末呢，商场、娱乐场所用电又有新的高峰。
然后啊，这个预测技术就开始大展身手了。
它就像一个经验丰富的老电工，看着这些数据，再结合当前城市的发展情况。
比如说，新盖了多少居民楼，又有几家新工厂入驻了，还考虑到了天气因素。
像天气预报说接下来有高温天气，那预测系统就知道，完了，空调要“疯狂工作”了，用电量肯定得大增。
在一个炎热的夏天到来之前，通过这个负荷预测技术，电力工作人员发现按照以往的趋势和新的发展情况，这个夏天的用电量很可能会超出原来电网的承载能力。
那怎么办呢？总不能让大家在蒸笼一样的屋里干瞪眼吧。
他们就根据预测结果提前行动了。
一方面，加快了新的发电设施的建设，就像给电网这个“大水库”又开了几条“进水渠”；另一方面，对电网进行合理的改造和优化，让电能够更顺畅地跑到每家每户和每个工厂。
结果呢？那个夏天啊，阳光城的居民们都舒舒服服地吹着空调，工厂也都正常运转，没有出现一次因为电力供应不足而导致的停电事故。
人工智能+电力的11个场景案例一、电力设备故障预测。
1. 变压器故障预防。
就像医生能预测病人啥时候可能生病一样，人工智能可以监测变压器的各种数据，像油温、油中溶解气体的含量啥的。
比如说，有个老变压器在一个偏远的变电站里，以前工作人员只能定期去检查，有时候等发现问题已经有点晚了。
现在有了人工智能，它能实时分析这些数据。
一旦油温升高得有点不正常，或者油里出现了不该有的气体，人工智能就会大喊：“这个变压器可能要出毛病啦，赶紧去瞅瞅！”这样就可以提前维修，避免突然停电给大家带来麻烦。
2. 输电线路故障预警。
输电线路就像电力的高速公路，要是出了问题可不得了。
想象一下，在山区有一条输电线路，经常会受到大风、树木生长还有小动物的影响。
人工智能就像是一个超级瞭望员，通过安装在输电线路上的传感器收集数据，像线路的振动频率、温度啥的。
要是有棵树快长到线路旁边了，人工智能发现线路的振动有点奇怪，就会发出警告：“喂，那棵树再长就会碰到线路啦，得赶紧派人去修剪一下，不然线路可能会被打断，到时候大家就没电用啦。
”二、电力系统优化运行。
3. 电网负荷平衡。
电网就像一个大的电力超市，有时候用电的人多（高峰时段），有时候用电的人少（低谷时段）。
人工智能就像一个超级管家，能准确预测啥时候用电高峰，啥时候用电低谷。
比如说夏天的时候，大家都开空调，用电负荷特别大。
人工智能会提前算好，然后告诉发电厂：“多生产点电吧，不然大家的空调都要罢工啦。
”到了半夜，用电少了，它又会说：“可以少发点电啦，不然浪费啦。
”这样就可以保证电网的负荷平衡，既不让大家没电用，也不会造成电力浪费。
4. 发电厂优化调度。
发电厂有不同的类型，像火力发电、水力发电、风力发电啥的。
人工智能就像一个指挥家，根据不同的情况来安排它们工作。
比如说，在有风的时候，风力发电厂的风机呼呼转，人工智能就会说：“风力发电现在很猛，火力发电厂可以少发点电啦。
”如果遇到干旱，水力发电不足，它又会调整，让火力发电或者其他发电方式补上缺口。
电力电量负荷预测方法及应用分析作者：刘慷来源：《科技资讯》2012年第33期摘要：为了进一步提高预测精度，则需要对传统方法进行一些改进，使预测结果具有更高的参考价值，本文主要探讨了时间序列预测法以及其实际运用。
关键词：负荷预测时间序列法中图分类号：TM93 文献标识码：A 文章编号：1672-3791（2012）11（c）-0105-02电力负荷预测具有十分重要的作用，其是调度中心制订发电计划及发电厂报价的依据，同时其也可以为发电计划程序、离线网络分析和合理的调度安排提供数据，而其准确率的高低对电力系统的运行、控制和生产计划都有着非常重要的影响。
为了更加准确的预测市场对电力电量的需求，现如今已有很多预测方法被用于电力电量的预测，各种方法都有其优缺点。
随着电力市场的发展，人们对负荷预测精度的要求也越来越高。
为了进一步提高预测精度，则需要对传统方法进行一些改进，使预测结果具有更高的参考价值。
随着现代科学技术的不断进步，理论研究的逐步深入，以灰色理论、时间序列理论、模糊数学等为代表的新兴交叉学科理论的出现，为负荷预测的飞速发展提供了坚实的理论依据和数学基础。
1 负荷预测及分类电力负荷实质上是指电力的需求量或用电量，即能量的时间变化率，也可以被定义为发电厂、供电地区或电网在某一瞬间所承担的工作负荷。
电力负荷往往具有以下一些特点：（1）电力负荷往往以天为单位不断起伏的，具有较大的周期性；（2）电力负荷的变化过程一般不会有较大的突变，属于连续性变化；（3）电力负荷对一些因素会比较敏感，比如季节、温度、天气等。
在对负荷进行预测时，需要考虑系统的运行特性、增容决策等因数，以便更加准确的确定未来某特定时刻的负荷数据。
就负荷本身而言，其主要是指电力需求量或用电量。
电力电量预测对电力系统安全经济运行和国名经济发展具有重要意义。
由于对电力负荷进行预测的目的会有所不同，所以将其分为四类即：（1）超短期负荷预测，主要是用于对未来一小时以内的负荷进行预测；（2）短期负荷预测，主要是指日负荷预测和周负荷预测，分别用于安排日调度计划和周调度计划；（3）中期负荷预测，主要是指一个月到一年的负荷预测，主要用于确定机组运行方式和设备的大规模修理计划等情况；（4）长期负荷预测，主要指未来3～5年甚至更长时间内的负荷预测，主要是用于电网规划部门。
基于支持向量机的企业用电量的短期预测
周广惠
【期刊名称】《电脑开发与应用》
【年(卷),期】2009(022)011
【摘要】支持向量机(SVM)是以统计学习理论为基础的一种新的机器学习方法,它对于短期预测的数据具有一定的学习能力.综合应用支持向量机方法,着重考虑企业增加值、月平均气温等因素对电量的影响,确定了一种有效的电量使用短期预测方法.用2004年～2006 年的逐月资料进行训练建模,用 2007年的资料做效果检验,研究结果证明这种方法对于电量短期预测的趋势预测较好.支持向量机方法在短期预测的应用前景广阔.
【总页数】3页(P22-24)
【作者】周广惠
【作者单位】天津机电职业技术学院,天津,300131
【正文语种】中文
【中图分类】TP31
【相关文献】
1.基于支持向量机的农村用电量需求预测 [J], 赵万明;黄彦全;谌贵辉
2.基于免疫进化支持向量机的年用电量预测 [J], 熊建秋;邹长武;李祚泳
3.基于改进型最小二乘支持向量机的用电量预测 [J], 李秋玲;李竹可;侯涛;裴冰
4.基于自适应粒子群参数优化的最小二乘支持向量机用电量预测模型 [J], 徐龙秀;辛超山;牛东晓;安琪;袁程浩;肖瑶
5.基于最小二乘支持向量机的周用电量预测方法 [J], 陈涛; 吕松; 任廷林; 薛晓岑; 罗兴祥; 刘明
因版权原因，仅展示原文概要，查看原文内容请购买。
光伏发电系统输出功率短期猜测技术探究一、引言近年来，光伏发电作为一种清洁、可再生的能源形式，得到了全球越来越多的关注和应用。
光伏发电系统的输出功率的短期猜测对于电网调度、能源规划和电力市场运营等方面具有重要意义。
光伏发电系统的输出功率受到天气变化、云层遮挡、光照强度变化等多种因素的影响，导致其输出功率呈现出一定的波动性。
因此，准确地猜测光伏发电系统的输出功率，对于实现经济、高效地利用光伏发电系统具有重要意义。
二、光伏发电系统输出功率猜测方法1. 基于物理模型的猜测方法基于物理模型的猜测方法是利用对光伏电池组件的物理特性和天气状况的综合分析，建立数学模型，猜测光伏发电系统的输出功率。
这种方法需要对光伏电池组件的光电特性、温度特性等进行详尽的试验和分析，以获得准确的模型参数。
然后，依据天气预报等数据，通过模型运算，猜测光伏发电系统的输出功率。
2. 基于统计模型的猜测方法基于统计模型的猜测方法是通过对历史光伏发电系统的输出功率数据进行统计分析，建立统计模型，猜测将来的输出功率。
这种方法不需要对光伏电池组件的详尽特性进行试验，只需要对历史数据进行统计分析，得到适用于猜测的模型。
然后，依据天气预报等数据，通过模型运算，猜测光伏发电系统的输出功率。
3. 基于人工智能的猜测方法基于人工智能的猜测方法是利用神经网络、支持向量机等机器进修算法，对光伏发电系统的输出功率进行猜测。
这种方法不需要事先建立数学模型或统计模型，只需要将历史数据输入到神经网络中进行训练，然后通过训练好的网络进行输出功率的猜测。
这种方法可以适应光伏发电系统输出功率的非线性特性，并且可以通过不息优化网络结构和参数，提高猜测精度。
三、光伏发电系统输出功率短期猜测技术的应用光伏发电系统输出功率的短期猜测技术在电网调度、能源规划和电力市场运营中具有广泛的应用。
起首，光伏发电系统输出功率的短期猜测可以为电网调度提供准确的电量猜测数据，援助电网调度员合理打算电力供应和需求，保证电网的平衡和稳定。
短期电量预测的应用实例摘要：本文根据电力负荷预测的原理，用excel表格为分析工具，对单台变压器的短期电量预测进行了新的尝试。
关键词：负荷预测短期负荷预测电量预测人工智能网络0.引言电力负荷预测是根据电力负荷、经济、社会、气象等的历史数据，当前及未来天气信息，预测未来电力负荷的过程。
负荷预测是电力系统运行管理的关键组成部分。
电力负荷及用电量因天气、社会活动的变化，具有很大的波动性和季节性；对电力负荷作出正确的预测，是电力系统制订扩容、运行、检修等计划的基础。
为了电力系统运行的有效性和运行效率，我们需要准确地预测系统负荷；如果系统负荷预测过高，系统发电容量偏大导致运行成本过高；相反，如果系统负荷预测偏低，将会影响到系统的可靠性和安全性。
1.负荷预测的主要分类：1.1按照预测指标分类:电力负荷预测可分为电量预测和电力预测。
电量预测包括社会用电量、网供电量、行业电量、区域电量等，电力预测包括最大负荷、最小负荷、负荷率、负荷曲线等。
1.2 按照预测时间的长短分类，负荷预测可分为以下三类：1.2.1长期负荷预测：3～5年甚至更长时间段内的负荷预测，用于电力公司规划管理；1.2.2中期负荷预测：月至年的负荷预测，用于燃料供应和机组维护的计划，功率共享协调；1.2.3短期负荷预测：指日负荷预测和周负荷预测，用于经济运行计划，机组发电系统管理，安全分析，短期维护等；1.2.4超短期负荷预测：是指未来1h以内的负荷预测，用于预防性控制和紧急处理。
2.短期负荷预测的常用方法：随着科学方法的创新和计算机技术发展营造的实时环境及电力营销机制的发展，二十世纪九十年代中期以来，短期负荷预测在电力文献中是很常见的。
尽管许多方法经过了测试并证明了实用性，目前还没有一种通用方法，主要是因为特定情况下的环境和负荷需求对适用模型的选择有着重大影响。
2.1时间序列分析法：时间序列分析模型由美国学者george box和英国统计学家gwilym jenkins在1968年提出，被认为是最经典、最系统的预测方法，是短期负荷预测的常用方法。
2.1.1自回归——移动平均模型（arma，autoregressive moving average）：自回归模型（ar，autoregressive）负荷的现在值是用过去值加权值的有限线性组合及一个干扰量来表示的；移动平均模型假设干扰的影响只表现在有限的几个连续时间间隔内，自回归——移动平均模型既包含了自回归部分，又包含了移动平均部分。
2.1.2累积式自回归——移动平均模型（arima，autoregressiveintegrated moving average）：电力系统负荷受季节、天气、社会活动、设备状况等因素影响，负荷时间序列的变化会出现不平稳的随机变化过程。
通过差分将负荷时间序列进行平稳处理，然后按照3.1.1的平稳时间序列模型进行建模；这就是累积式自回归——移动平均模型。
2.1.3季节性综合自回归移动平均模型(seasonal arima）：由于每日负荷与前一天和上一周相同日具有相似性，不同季节之间的负荷具有明显的区别；累积式自回归——移动平均模型加上季节性因素以后，形成季节性综合自回归移动平均模型。
2.2基于人工智能网络技术（ann，atificial neural network）的预测方法：研究人员常常使用基于人工智能网络技术的方法进行负荷预测并取得很好的成效，这些方法的闪光点在于假定人工智能网络对负荷特性有学习能力。
2.2.1什么是人工智能网络（ann）？人工智能网络始于人们认识到人的大脑以完全不同常规的数字计算机。
人脑是一个高度复杂的、非线性的、并行的信息处理系统，组织神经元以超过当今最快的计算机数倍的速度进行运算；例如，在陌生的环境中辨别一张熟悉的人脸，大约只需要100～200毫秒，而常规计算机执行一项相对简单的任务还需耗费数天之久。
人工智能网络以人脑处理特定任务的方式进行模型处理，由电子元件或计算机软件模拟过程执行，是由许多单个处理单元组成的大型并行处理机器；这些单个处理单元能通过学习，存储知识经验并使用。
2.2.2人工智能网络的优势：人工智能网络是功能极其强大的、高效的并行处理机器，具有学习和归纳能力，对错误和噪音具有特别的适应性。
经过培训的人工智能网络可以作为某个信息类别的“专家”，为新情况指明方向或解决判断路径问题等。
2.2.3人工智能网络的结构：2.2.3.1单层前馈网络：2.2.3.2多层前馈网络：2.2.3.3循环网络：3.研究对象和模型选择：3.1研究对象：本文选择某海岛供电区域内的一个典型的500kva变压器作为负荷预测分析的对象，负荷以居民用户为主、兼有商业和非工业单位用户。
本文尝试对单个变压器的每日用电量进行预测分析。
单个变压器的负荷波动性较大，特别在周末和节假日，游客数量多少对该变压器用电量影响较大，因此预测的难度相对较大。
3.2方法和模型选择：本文选择时序系列分析法为基本研究方法，考虑天气、季节等因素，对负荷时间序列进行平稳处理；以excel表格为基本分析工具，采用人工智能网络技术对天气、季节各变量分配相应的权重，同时对误差进行及时修正。
3.3数据时间范围：由于2011年3月份开始收集负荷数据，数据收集至2011年5月。
4.电量预测及结果分析：4.1输入：4.1.1天气信息：每日最高温度、最低温度、湿度、平均风力、晴雨、台风等。
4.1.2电量数据：两周内每天的电量数据，各自权重分别定义如下表：备注：共分为周六、周日、周一、周二（周三、周四）、周五共五种系数定义。
4.2日类型的定义：该变压器的负荷特性与海岛旅游联系较为紧密，周一与周五负荷较小，周六周日负荷比周二周三周四稍高，假日通常比平日负荷略高，假日前后负荷比平日相对有所提高。
根据这些特点，我们将日类型分为周一、周二（周三、周四为同一类型）、周五、周六、周日、假日1、假日2、假日前一天、假日最后一天共八种类型。
4.3电量预测计算：4.3.1根据前14天的历史数据计算出本周（前1～7天）和上周（前8～14天）的电量基准值（系数详见5.1.2中的表格）；4.3.2按照本周和上周的系数定义计算出预测日的电量基准值；e基准= e本周 * k本周 + e上周 * k上周4.3.3根据每日最高温度、最低温度、湿度、平均风力、晴雨、台风等天气信息确定每天各因素相关系数，各系数乘积为预测日的系数；k kwh = k d * k c * k tmin * k tmax * k h * k w* k dk kwh ：预测日的总系数；k d ：预测日的日类型系数；k c ：预测日的天气系数；k tmin 、k tmax：预测日的最低、最高气温系数；k h ：预测日的湿度系数；k w ：预测日的风力系数；4.3.4计算预测日的预测电量e′：e′= e基准 * k kwh4.3.5计算预测日的预测电量e：为了更好地反映实际情况，将预测日的预测电量e′、前三天实际电量平均值和前三天预测电量平均值根据预先设定的系数求和，得出预测日的预测电量值e（公式如下）：e = e′* k计算 + e实际 * k实际 + e预测 * k预测4.4输入值、输出值的反馈：4.4.1每天预测电量：每天预测电量作为预测当天的输出结果，也作为以后14天电量预测输入值之一，本文计划将每天预测电量中的干扰减小，如果某天预测电量的误差值超过预先设定的百分比（如5%），则取该日预测电量e乘以1与误差值二分之一的差值的乘积作为该日预测电量的输入值，这样可以稍微减小预测误差（详见5.5.1的图表）。
4.4.2每天实际电量：每天实际电量作为以后14天电量预测输入值之一，本文考虑将每天实际电量中的干扰降低，如果某天实际电量与前三天实际电量平均值相比连续两天超过预先设定的百分比（如5%），则取前三天实际电量均值和当天实际电量的平均值作为当天实际电量的输入值。
4.5电量预测结果分析：4.5.1电量预测修正前后的误差曲线：4.5.2误差分析：如图可见，电量预测的误差值相对较大，为通常预测误差的两倍左右。
主要原因是单个变压器的负荷变化较大，预测的难度相对于地区的总电量的预测要大许多；采用excel表格而不是专门为电量预测而编写的计算机程序作为预测工具，预测方法的实际应用及预测准确度都会受到一定影响。
4.5.3今后分析方向：为了验证本文中所采用的多步骤计算、多种系数定义、输入平稳处理等方案的应用excel工具的负荷预测方法，日后在有机会获得完备的地区负荷、电量数据时考虑将地区负荷及电量作为分析对象。
为了篇幅的简洁，本文未对如何调整天气变量的系数进行阐述。
此外，调整天气变量的系数或设置权重系数、调整基准电量的各日权重系数、调整各类型日的系数以及如何设置节假日极其系数，也是提高负荷预测、电量预测的准确度需要考虑的重要因素。
参考文献：[1]《电力系统负荷预测》康重庆，夏清，刘梅，中国电力出版社，2007年7月[2]《neural network models for short-term load forecasting》pauli murto, helsinki; january, 1998[3]《short-term load forecasting using time series analysis:a case study for singapore》jianguang deng, and panida jirutitijaroen, member, ieee; 2010。
