电力系统负荷预测是电力部门的一项重要工作,是电力系统规划决策、经济运行的前提和基础,电力负荷的准确预测对电力系统安全经济运行和国民经济发展具有重要意义。电力系统负荷预测问题的研究越来越引起人们的注意,现在已经成为电力系统运行研究中的重要课题之一。本文首先介绍了电力系统负荷预测的意义、发展现状和主要方法;针对负荷数据具有浮动的特点以及神经网络模型算法容易陷入局部极小和迭代速度较慢的缺点,提出了一种基于神经网络和支持向量机的混合负荷预测方法,此方法能通过支持向量机消除神经网络的总和较小但单点误差较大的不利现象,而神经网络消除了支持向量机的模型简单问题。鉴于电力负荷数据具有指数性和周期性的双重特性,而一般灰色模型不能够很好处理这种关系,给出了二阶和三阶的高阶灰色离散序列模型。二阶灰色模型能够较好地表示负荷数据周期性规律或指数性规律,而三阶模型则能够兼顾负荷数据的周期、指数双重特性,从而能够全面地考虑到负荷数据本身的性质。本文以影响因子的方式将各种影响因素作了统一化处理,针对负荷数据具有周期性的特点,提出基于时间序列、利用灰色理论关联分析思想的负荷预报方法,弥补了以往灰色模型疏忽周期性而对预测值所产生的影响。此外,本文还对负荷的预测结果进行了实例分析。结果表明,本文所提出的方法能够达到预期的效果。