摘要:电力负荷预测无疑对电力调度及发电计划都具有重要意义,准确稳定的预测显然能够带来实实在在的经济效益,所以,不断提升改进用电负荷预测能力是电力部门的一项长期艰巨的工作.本研究面向的是用电负荷大数据,是从大规模配变采集的每日96点的多年数据,研究的方法是用机器学习方法对大数据进行分析预测,本研究的重点是挖掘数据内在规律,为了使数据规律性更加可循,在作负荷预测前,先根据用电行为对用电负荷数据分层聚类,使得用电负荷曲线尽可能在类内相似、类间区别明显,基于用电行为的分层聚类可动态反映用电行为变动,效率高,可避免人工分类失误.分层聚类完成后,再对各分类分别作预测分析,分类预测模型算法是在用于时间序列算法的基础上通过神经网络算法对不规则波动作调整.不规则波动是由用电环境,如天气、节假日等的变化等带来的.神经网络算法可以根据历史数据的学习较好调整环境影响因素对负荷的波动.本研究已经在实践中得到应用,其预测准确度及稳定度都有新的突破,该负荷预测方法可以应用在电力调度部门的日内96点负荷预测,也可以用在计划部门的中长期负荷预测.