电力系统短期负荷预测是从已知的用电需求出发，考虑政治、经济、气候、电力系统发供电设备检修等相关因素，对未来一周内的用电负荷需求做出的预测。短期负荷预测是电力系统调度、实时控制、运行计划的前提，是一个电网调度部门所必须具有的基本信息。提高短期负荷预测技术水平，有利于计划用电管理，有利于合理安排电网运行方式和机组检修计划，有利于节煤、节油和降低发电成本，有 利于提高电力系统的经济效益和社会效益。因此，深入研究电力市场的供需形势及其发展是企业经营活动的基础，电力负荷预测工作是准确把握市场脉搏、分析未来电力需求走势的必要工具。

短期负荷预测是电力系统优化调度（如机组最优组合、经济调度、最优潮流计算等）的基础工具，是电力企业日常经营管理工作的重要组成部分。

电力系统短期负荷预测是从已知的用电需求出发，考虑政治、经济、气候、电力系统发供电设备检修等相关因素，对未来一周内的用电负荷需求做出的预测。短期负荷预测是电力系统调度、实时控制、运行计划的前提，是一个电网调度部门所必须具有的基本信息。提高短期负荷预测技术水平，有利于计划用电管理，有利于合理安排电网运行方式和机组检修计划，有利于节煤、节油和降低发电成本，有 利于提高电力系统的经济效益和社会效益。因此，深入研究电力市场的供需形势及其发展是企业经营活动的基础，电力负荷预测工作是准确把握市场脉搏、分析未来电力需求走势的必要工具。

短期负荷预测是电力系统优化调度（如机组最优组合、经济调度、最优潮流计算等）的基础工具，是电力企业日常经营管理工作的重要组成部分。以下为国内外短期负荷预测的主要方法：

1.时间序列方法

时间序列方法优点是所需数据少，工作量小；计算速度较快；反映了负荷近期变化的连续性。时间序列方法的不足是建模过程比较复杂，需要较高的理论知识；该模型对原始时间序列的平稳性要求较高，只适用于负荷变化比较均匀的短期预测；没有考虑影响负荷变化的因素，对不确定性因素（如天气、节假日等）考虑不足，当天气变化较大或遇到节假日时，该模型预测误差较大。

2.人工神经网络预测法

人工神经网络（Artificial Neural Networks──ANN）由多个神经元连接而成，用以模拟人脑行为的网络系统，它能通过学习获得合适的参数，用来映射任何复杂的非线性关系。利用人工神经网络的学习功能，用大量样本对神经元样本进行训练，调整其连接权和阀值，然后利用已确定的模型进行预测，其突出优点是它不需要任何负荷模型，并具有很好的函数逼近能力，较好地解决了天气和温度等因素与负荷的对应关系，通过学习能够反映输入、输出之间复杂的非线性关系。但其缺点也同样突出，就是训练过程比较消耗时间，并且不能保证一定收敛，同时神经网络的结构确定、输入变量的恰当选取、隐含层数目及其节点数的多少等问题都要在实践中进行摸索。由于人工神经网络具有自学习能力和对复杂非线性对象的处理能力，使其在各个领域被越来越广泛地应用。

3.回归分析法

回归分析法是指根据过去负荷的历史资料来建立可进行数学分析的数学模型，用数理统计中的回归分析方法对变量的观测数据进行统计和分析，从而实现预测未来的负荷。回归模型包括：多元线性回归、非线性回归、一元线性回归等预测模型。回归分析法的优点包括：较高的预测精度。负荷增长趋势与其它可测量因素之间的关系可以被预测人员清晰地察看到；缺点是：很难详细统计规划水平年的工农业总产值，需要的大量样本且要求样本有较好的分布规律，当预测的长度大于原始数据的长度时，采用该方法进行预测在理论上不能保证预测结果的精度。