电力负荷预测是电力技术经济分析的重要组成部分,在电力规划、运行、调度中发挥着重要的作用。电力负荷预测对于电力系统经济安全可靠地运行具有重要的意义。本文提出了基于贝叶斯理论马尔可夫链蒙特卡洛(MCMC)算法优化参数的负荷预测模型。利用MCMC学习优化模型的参数时,模型的参数被看作随机变量。首先,利用样本数据和先验分布,根据贝叶斯定理计算参数的后验概率分布。然后,利用参数的后验概率分布来确定模型参数的估计值。计算参数的后验概率分布常常需要在高维的参数空间中进行积分计算。由于很难求出多重积分的解析值,数值计算方法常常用来计算多重积分。本文利用MCMC算法对高维积分进行近似计算。本文的主要研究工作如下：1)分析了气象因素和短期负荷之间的关系,通过散点图和拟合曲线来确定气象因素和短期负荷是否存在联系。由分析结果可知温度和相对湿度是两个对负荷有着明显影响的气象因素。2)建立了基于贝叶斯神经网络日负荷曲线预测模型。气象因素变量和时间变量作为贝叶斯神经网络的输入变量,负荷作为输出变量。隐层神经元的数目手动给定的。贝叶斯神经网络的权参数是一个高维随机变量。本文提出了一种新的混合马尔可夫链蒙特卡洛算法来学习贝叶斯神经网络的权向量参数。这是将Leapfrog迭代算法和Metropolis-Hasting抽样方法相结合的混合算法。在学习贝叶斯神经网络的参数时贝叶斯神经网络看作是一个Hamilton动力系统,权向量参数看作是动力系统的位置变量。混合MCMC算法用来构造一个权向量参数的马尔可夫链,使得权向量参数的后验概率分布就是这个马尔可夫链的平稳分布。叶斯神经网络作为预测模型对整日负荷曲线进行预测。实验结果表明由混合马尔可夫链蒙特卡洛算法确定参数的贝叶斯神经网络较高的预测精度和较强的泛化能力。很好地克服了过拟合现象。3)提出了基于具有解释变量状态空间模型的月度典型负荷预测方法。本文考虑月度的最大负荷和最小负荷典型负荷的预测。由于气象因素温度和相对湿度与负荷之间存在着正相关的关系,加热指数、制冷指数和相对湿度作为状态空间模型中回归项的解释变量。这个状态空间模型中有两种参数,一是解释变量的回归系数,另外一种是扰动项的方差参数。回归系数参数的估计值可以由Kalman滤波算法计算得到。学习方差参数时,根据共轭分布原则方差参数的先验分布选定为逆伽马分布。首先利用Gibbs抽样方法和Metropolis-Hasting抽样方法对方差参数进行抽样,得到一个马尔可夫链,然后利用蒙特卡洛方法估计出参数的取值。利用状态空间模型分别对月度的最大负荷和最小负荷进行了平滑拟合,并利用这个模型对未来6个月的最大负荷和最小负荷进行预测。实验结果表明该模型能够很好地平滑拟合已知的的样本数据,平滑拟合的平均绝对百分比误差和均方根误差都比较小。预测结果表明由MCMC算法确定参数的状态空间模型能够比较精确地预测3个月的典型负荷,而后3个月的预测误差就比较大了。4)建立了一种新的超短期负荷预测模型—贝叶斯ARIMA-GARCH预测模型。分析超短期负荷数据,发现扰动项具有明显的异方差特性。假设超短期负荷数据是由均值部分和方差部分组成。为了既要考虑负荷数据均值部分的变化情况,也要考虑扰动项的异方差特性,提出了利用ARIMA-GARCH模型对超短期负荷数据进行建模。其中ARIMA(p,d,q)模型用来描述超短期负荷数据均值部分变化情况,GARCH(1,1)模型用来刻画方差部分的异方差特性。ARIMA(p,d,q)模型的阶数p,d和q由负荷时间序列数据的自相关函数和偏自相关函数的截尾性和拖尾性确定。拟极大似然估计法通常用来估计GARCH(1,1)模型的参数。本文给出了一种新的组合MCMC算法估计GARCH(1,1)模型参数方法,这种方法是把Gibbs抽样方法和Metropolis准则相结合在一起来构造参数的马尔可夫链。其中Gibbs算法对GARCH(1,1)模型的方差参数和自由度参数进行抽样,得到一个候选样本。然后根据Metropolis准则判断是否接受这个样本做为马尔可夫链得元素。本文把由QMLE算法和组合MCMC算法估计参数的ARIMA-GARCH模型对未来一个小时内的12个5分钟时刻的负荷值进行预测。以3月份和7月份的数据为例,预测了15日12点到13点12个5分钟时刻的负荷。预测结果表明由组合MCMC算法确定参数的ARIMA-GARCH模型的预测精度要高于由拟极大似然估计法估计参数的模型的预测精度,而且ARIMA-GARCH模型的预测误差要远远小于单一的ARIMA模型的预测误差。