电力系统中传统负荷预测方法的文献综述负荷预测的核心问题就是预测的技术方法，或者说是预测数学模型。
随着现代科学技术的不断进步，负荷预测理论、技术得到了很大的发展，理论研究逐步深入，适合本地特点的预测程序、软件开始出现。
但不可否认的是，就目前而言，我国的电力系统负荷的预测技术还是比较落后的，相应的基于软件的技术还不能满足现代社会的需求，有待进一步提高。
传统的负荷预测方法如回归模型法，卡尔曼滤波法，时间序列法，灰色预测法，专家系统法，模糊理论法，神经网络法，小波分析法等。
这些传统的预测方法无论是哪种均具有不足和缺陷，随着对负荷预测的深入研究和广泛应用，传统的预测方法的应用越来越难以适应发展，逐渐形成了现代负荷预测方法。
文献【1】针对传统静态神经网络自适应能力差、收敛速度慢、预测精度低的问题,提出了一种基于小波分析和Elman动态神经网络的中长期电力负荷预测方法,该算法通过对原始样本进行小波分解,将分解后的低频趋势信号和高频细节信号分别进行预测,在输出端再进行重构后得到预测曲线;然后就传统负荷预测问题中数据预处理环节的数据校验问题,提出了一种基于小波理论的奇异点检测法,该方法对原始样本进行一维离散小波分解,抽取一层高频细节信号进行分析,根据工程实践中设置的阈值,来检测有可能因为系统故障、人为失误导致的数据记录错误,为准确预测提供了保障。
文献【2】提出一种基于人工神经网络的电力负荷预测方法 ,该方法充分吸收了神经网络非线性逼近能力的优点。
在神经网络结构设计中充分考虑了电力负荷的特点 ,并用神经网络加权最小方差模型(NNWLS)对样本进行训练。
在实际预测中 ,该预测方法取得了比较高的的预测精度。
文献【3】针对人工神经网络模型在进行负荷预测时,大多不考虑气象等因素的影响,提出了一种基于数据挖掘预处理的改进短期电力负荷预测的方法,应用数据挖掘的聚类功能,寻找与预测日同等气象类型的多个历史短期负荷数据序列进行预测,从而提高预测的精度。
鉴于ANN模型对不确定性和模糊信息学习处理能力较差的缺点,引用模糊系统的理论,构建模糊神经网络(FNN)模型。
通过实例预测和预测结果比较分析表明,提出的方法具有较高的预测精度。
文献【4】为进一步提高电力负荷预测的精度和运算速度,针对短期负荷预测样本数据既有趋势性又有波动性的特点,采用均生函数-最优子集回归建立预测模型。
相对于均生函数主成分回归将上述所有序列构建出预测因子矩阵,采用双评分准则进行粗选,剔除评分较低的因子,其他预报因子经组合寻优后得到最优子集并以此建立预测模型。
实例分析表明,该模型预测的平均相对误差可低至2.42%,明显优于主成分回归模型的预测精度。
文献【5】通过改进CART(分类和回归树)分类法选择训练样本,可以降低与预测日不一致负荷模式的影响,提高预测精度,并运用人工神经元网络预测下一天的96点负荷.主要包括3个部分.首先,运用CART分类法将输入空间分成若干矩形互斥区域,每一个区域对应一种负荷模式;其次,根据分类结果选取神经元网络的训练样本.最后,合理映射天气因素和日期、星期类型并进行预测.实际应用表明本方法对于大波动负荷地区能够改善预测精度,提高预测速度.文献【6】根据混沌动力系统的相空间延迟坐标重构理论,基于支持向量回归强大的非线性映射能力和小波核函数的局部分析和特征提取能力,提出一种基于小波支持向量回归的电力系统负荷预测模型,并采用最小二乘方法来训练该预测模型,利用该模型对嵌入维数与模型预测性能的关系进行探讨。
仿真结果表明,该预测模型能精确地预测电力系统负荷,而且在电力系统负荷的最佳嵌入维数未知时也能取得比较好的预测效果。
文献【7】BP神经网络应用于电力系统负荷预测时,如果输入空间严重自相关及网络维数较高时,BP神经网络的预测精度会下降。
针对这一问题,本文提出一种改进新方法,具体是利用主成分分析(PCA)方法对原输入空间进行重构,并根据各主成分的贡献率来确定网络的结构,从而有效解决了BP网络预测精度下降的问题,最后通过实际的算例验证了该方法的有效性。
文献【8】混沌理论适合描述确定性非线性系统的内在随机性,具有对初始条件敏感,遍历性、规律性等特点,作为确定论和概率论的桥梁,其特性符合电力系统负荷预测的内在要求.因此,近年来,混沌理论在电力系统负荷预测中得到了越来越广泛的应用.在总结和归纳传统预测方法的基础上,对混沌理论应用于电力系统负荷预测中的研究现状进行了综述,其中包括混沌时间序列的主要思想、混沌时间序列分别与传统预测技术、神经网络以及模糊理论相结合在负荷预测中的应用,并指出了这一技术的研究动向及应用前景.文献【9】本文提出了一种提高神经网络预测可靠性的新方法，将目前常用的三种神经网络的预测结果进行变权组合，可以避免单个神经网络出现“过拟合”现象等问题时预测精度大幅度降低的风险，提高了预测的可靠性。
为提高负荷预测精度，本文给出了一种五层模糊神经网络的变权组合预测模型，模糊神经网络的输入为误差和误差变化率，输出为权重系数。
该模型将模糊逻辑和神经网络的长处融合在一起，使模糊推理和解模糊均通过神经网络来实现。
仿真结果表明此模型比模糊变权重组合预测模型具有更高的预测精度。
针对神经网络在输入变量选择问题上存在的缺陷，本文提出不考虑影响负荷的所有因素，仅用混沌理论处理后的负荷样本作为神经网络的输入。
但是这种不考虑影响因素的方法不能明显提高预测精度，因此本文引入一种只考虑影响因素的样本处理方法，将这两种方法的预测结果进行组合预测。
仿真结果表明将这两种方法组合是可行的和有效的。
文献【10】本文在分析电力系统负荷预测的特点和研究现状基础上，采用BP人工神经网络对电力系统负荷预测的模型进行优化，这种方法可以更好的刻画出电力系统负荷多输入多输出、复杂非线性以及繁杂的无规律可循的特征。
遗传算法是在达尔文的生物进化论的基础上发展起来的，它模拟了进化过程中的自然选择与遗传规律，是一种全局搜索最优解的算法。
本文首先分析了GA算法与BP神经网络的优劣势，将GA算法与BP网络结合起来，用GA算法来训练BP神经网络的连接权值，给出了基于GA 与BP相结合的具体算法和实现过程，以期克服BP神经网络容易陷入局部极小点的缺陷。
文献【11】本文结合了非经典计量经济学中高等时间序列分析的一些思路方法，建立了预测精度更高、意义更显著的预测模型。
1.分析比较了现有的各类负荷预测模型的优缺点。
2.论述了高等时间序列分析领域中协整理论。
3.运用该理论分析了中国年度用电量和GDP的协整关系，并建立了包括误差纠正机制在内的完整协整预测模型体系，对用电量数据进行了预测。
4.结合电力系统负荷预测具体要求，对标准协整形式进行改进，论述了变参数协整理论和非线性均衡协整理论在负荷预测中运用的可行性。
5.建立了基于变参数协整理论的用电量预测模型，并运用该理论对中国年度用电量进行了预测，与普通协整的预测结果进行了比较。
6.建立了基于非线性协整理论的用电量预测模型，并运用该理论对中国年度用电量进行了预测，比较了几种模型的预测效果。
7.利用VC++软件编译了一套用电量预测软件包，该软件包括数据编辑和用电量预测两个部分：数据编辑部分可以对数据库中的数据源进行添加、删除、修正等功能；用电量预测部分可以选择不同的算法-包括本文中所论述的算法一一进行预测，界面友好。
文献【12】电力系统负荷预测工作是电力系统规划与建设的基础和前提,提高电力系统负荷预测的准确性对于电力系统的安全经济运行有着非常重要的意义.该文在学习和消化粗集(Rough Set)理论的基础上,首次引入Rough Set理论来解决负荷预测中不确定性因素的影响问题.以受不确定性因素影响较强的中长期负荷预测为主要研究对象,以历史数据为基础,通过Rough Set理论的应用,搜寻数据对象内部的本质联系,完成整个负荷预测工作.文献【13】本文在分析灰色模型GM(1,1)的局限性基础上,应用粒子群优化算法非线性全局寻优能力来求解灰色模型参数值，提出了基于粒子群优化算法的灰色模型，并给出了电力负荷预测的实例。
预测结果表明基于粒子群优化算法的灰色模型具有较高的预测精度和较光的应用范围。
文献【14】基于一元回归模型的电力负荷预测技术是以历史负荷为资料建立数学模型,对未来时间内的负荷进行预测,从数学角度看,就是利用数理统计中的一元回归方法,通过对变量的观测数据进行统计分析,确定变量之间的相关关系,从而实现预测的目的.本文介绍了一元线型回归模型的原理,通过分析历史数据,建立数学模型,以北京地区年负荷为例,证明该模型具有良好的实用性.文献【15】分类和聚类是数据挖掘中两个重要的研究领域,分类需要相关的先验知识,而聚类往往依据某种相似性测度,从数据本身来寻找其内在特征.在电力系统负荷预测过程中,依靠先验知识得到的分类结果与聚类结果之间并不协调.针对这一问题,文中给出了调和矩阵的定义,并在此基础上,提出调和聚类-分类算法,将该方法应用于电力系统负荷预测的样本分类中,实际结果表明,通过文中方法得到的分类结果更加客观和科学,预测结果的可靠性得到了保证.[1]赵智勇.黄伟.尉杨.一种基于小波分析和Elman动态神经网络的中长期电力预测方法[J].山西电力，2013,178（1）：1-5[2]鲍正江.胡海兵.一种基于神经网络的电力负荷预测方法[J].浙江电力，2004,4:10-13[3]崔和瑞.宋秀莉.葛曼倩.基于数据挖掘的FNN短期电力负荷预测方法研究[J].电力系统保护与控制，2009,37（22）：54-57[4]窦震海.杨仁刚.焦娇.基于均生函数-最优子集回归模型的短期电力负荷预测方法[J].农业工程学报，2013,29（14）：178-184[5]陈芬.赵剑剑.张不涵.一直基于改进分类和回归树的神经元网络电力负荷预测方法[J].长沙电力学院学报（自然科学版），2003.18（3）：34-37[6]陈佳.郑恩让.崔万照.等.基于小波支持向量回归的电力系统负荷预测[J].现代电子技术，2009,303（16）：135-139[7]黄湘君.基于主成分分析的BP神经网络在电力系统负荷预测中的应用[J].科技信息，2008,16:313-314[8]杨红英.叶昊.王桂增.混沌理论在电力系统负荷预测中的应用[J].继电器，2005,33（16）：26-30[9].张亚军.变权系数组合预测模型在电力系统负荷预测中的应用研究[D].西南交通大学，2007[10]苏蔚.基于神经网络的电力系统负荷预测[D].天津大学，2011[11]李翔.基于高等计量经济学的电力系统负荷预测[D].东南大学，2007[12]罗志强.粗集理论在电力系统负荷预测中的应用研究[D].上海交通大学，2003[13]辛雷.基于粒子群优化灰色模型的电力系统负荷预测[A].中国电机工程学会第十届青年学术会议论文集，2008[14]杨中华.一元线性回归模型在电力系统负荷预测中的应用与MATLAB实现[D].科技信息，2012,35（12）[15]孟垂懿.黄秋瑜.邹全平.相似日匹配法在电力系统负荷预测中的应用[D].科技信息（学术研究），2007，（17）：109-111。