負荷預測在電力系統中起非常重要的作用，它是電網調度計劃制定、市場交易和電網規劃的重要依據，為電網運行和電網規劃等眾多應用提供基礎數據，其預測精度既影響計劃的合理性和校核的準確性，也會影響到電網的安全穩定運行，同時直接影響到配電網規劃中電源的布點以及目標網架的結構和規模。負荷變化具有一定的周期性，但同時受到氣象、地理、經濟等各種因素的影響，加上不同的負荷類型本身的特性和變化規律，使得精確預測負荷具有一定的難度，現階段負荷預測仍存在較大誤差，在智能電網環境下，電源形式的多元化、供需雙方的互動化與控制的智能化將對負荷預測提出更高的要求。負荷數據是負荷預測的基礎，掌握負荷變化規律是提高負荷預測精度的重要手段。

       負荷數據包括實時負荷數據和歷史負荷數據。實時負荷數據是當前時刻電網系統負荷的實際值；歷史負荷數據是電網負荷的歷史數據，通過歷史負荷數據分析掌握負荷變化規律。對于用戶負荷數據，包括全部負荷數據、分行業分類別負荷數據、用戶負荷曲線等數據，通過用戶負荷分析能夠更細粒度掌握負荷需求和變化特征。

       負荷預測按照預測對象不同，分為系統負荷預測、母線負荷預測、空間負荷預測等，按照預測時間尺度不同，可以分為超短期、短期和中長期負荷預測。由于不同預測類型的不同特點，基于大數據技術的負荷預測也需要區別分析。綜合電網運行負荷數據、氣象數據、地理信息系統、人口、經濟、節假日等數據，基于用戶用電行為分析，通過關聯分析、回歸分析、神經網絡等各種數據挖掘和分析方法，識別影響負荷的敏感成分，進而構建不同類型不同目標的負荷預測模型，如系統短期負荷預測模型。采用大數據分析和預測方法，對電網負荷進行預測計算，預測結果將應用到電網規劃、節能經濟調度等領域。

       負荷預測是一種典型的時間序列預測，目前負荷預測的方法主要有傳統的數學擬合方法、機器學習方法以及灰色系統理論。傳統的數學擬合的方法以自回歸模型以及其衍生模型為代表，主要有自回歸滑動平均法(auto-regressive and moving average，ARMA)以及累積自回歸滑動平均(auto-regressive integrated moving average， ARIMA)。這類方法處理方式簡單，易于應用，對數據量的要求也不高，但是對數據的平穩性要求很高，因此該類方法做負荷預測準確度不是很高。另一類負荷預測的方法是基于機器學習理論的，目前主要有神經網絡方法、支持向量機方法以及小波分析理論等。其中神經網絡具有強大的非線性擬合能力，并且有較強的適應性，因此在負荷預測領域得到廣泛的應用。但是，神經網絡也有本身的缺陷，如學習的時候容易陷入局部最優、迭代次數不好確定、泛化誤差比較大以及隱層神經元難以確定等。針對這些缺陷，在負荷預測領域模糊與神經網絡相結合、小波與神經網絡相結合、極限學習機方法以及智能優化算法與神經網絡相結合的方法被提出來。近年來，灰色系統理論也被廣泛應用與負荷預測。灰色系統對于貧信息、不確定序列的預測有著本身的優勢，而電力負荷序列屬于典型的貧信息、隨機波動不確定系統，因此負荷預測比較適宜采用灰色系統理論進行建模。

       電力負荷序列從數據特征上有明顯的周期性，即有年度周期性又有24h周期性。但是目前所有的模型只是從數據本身進行建模分析，都沒有很好地利用電力負荷序列的周期性特性。而數據的周期性特性對于序列預測而言是一個重要的輔助特性。為了能進一步提高負荷預測的準確性及穩定性，提出一種周期性截斷灰色系統來對電力負荷進行預測。該方法改變了傳統的灰色GM(1,1)的累加方式，通過周期截斷累加生成操作實現序列的累加。該模型有效的利用了序列的周期性特性，提高了預測的準確性及可靠性。實際負荷序列的測試表明該方法比傳統的神經網絡、極限學習機、自回歸模型以及傳統的灰色系統模型準確度更高。