论文部分内容阅读
摘要：电力系统短期负荷预测是电力系统的一项非常重要的工作，高精度的预测需要考虑因素的全面性和优秀的预测模型和预测方法来保证。近些年来，许多专家学者提出了很多把智能算法应用到电力系统负荷预测中的实例，也有几种智能算法结合使用的情况，使得电力系统负荷预测得到了快速的发展，预测精度也有很大的提高。本文将小波分析理论引入电力系统负荷预测中，使用神经网络进行预测构建了小波和神经网络的短期负荷预测模型。
小波分析理论是一个相对较新鲜的概念，近几年才慢慢应用于电力系统的相关方面，使用小波分析理论将原始的负荷序列进行分解，而不是直接使用神经网络进行负荷预测，这样可以将负荷数据序列的高频分量和低频分量分解开来，更好的挖掘负荷数据序列的更加深层次的隐藏信息，然后再使用神经网络算法进行分别预测，本文使用BP神经网络、RBF神经网络和GRNN神经网络进行预测，而且还将非常经典的灰色预测模型GM（1，1）引入到模型中来，最后再将小波分解的序列进行重构，即可得到预测的结果。将模型应用到一个具体实例中，结果表明，预测精度完全满足要求，并且较没有使用小波分析理论的模型预测精度有一定的提高。
关键词：负荷预测；小波分析理论；神经网络
第一章 短期负荷预测原理和主要问题分析
1.1 预测的起源
预测，是一类科学问题的总称，是对尚未发生或目前还不明确的事物进行预先的估计和推测。
对于预测的定义，从古至今就有多种表达，大多数人认为，它就是以一定的理论指导为基础，根据事物的发展历史和发展现状作为出发点，使用所得的调查研究的资料和统计数据为基础，研究、认识和推测事物的发展变化规律，从而对于事物的发展和未来变化做出一个比较科学的推测。
电力系统的负荷预测就是依据一些历史数据，寻找到电力负荷的历史数据的变化规律，以期能够寻求得到电力负荷与之相关因素之间的内部联系，进而对未来的电力系统的负荷进行一个相对比较科学和完美的预测。
理论上讲，电力系统负荷预测理论的数学理论的中心是取得被预测对象的变化规律和其影响因素的关系。电力系统的负荷预测其实就是被预测对象的变化规律的一个数学函数，如何建立一个非常良好的负荷预测的数学模型，从而减少模型预测的误差、增大模型预测的精度，这个是一个很重要的课题。
1.2 短期负荷预测原理
1.2.1 一般原理
与其他预测问题类似，短期负荷预测遵循以下四个基本原理：
（一）可知性原理：我们知道，人能够认识过去、体会现在和预测未来。预测的准确性主要决定于我们掌握被预測事物发展变化规律的多少。
（二）可能性原理：我们知道，一个事物的发展，可以存在很多种的可能性，肯定不可能只有单一可能，所以，需要对其发生的可能性进行预测。
（三）可控制原理：我们知道，一个事物的未来发展是可以进行干预和控制的。预测的目的就是预知预测对象的未来信息，依据未来信息做出决策，这样就可以调整和控制预测对象未来的行动。
（四）系统性原理：我们知道，预测对象一般在时间上是连续的，如果要预测将来，我们必须要知道预测对象的过去和现在。
1.2.2 基本原则
短期负荷预测遵循以下四个基本原则：
（一）延续性原则：我们知道，几乎没有一种事物的发展会脱离其过去的行为。
（二）类推原则：我们知道，这个世界上，许多的事物之间都存在有相似的发展变化经历。所以，我们可以通过先前事物发展的趋势，推测后来发展的事物，这样就做出了预测。
（三）相关原则：我们知道，世界上任何一个事物的发展都不是绝对孤立存在的，它们之间都存在着相互的联系，所以都会相互影响。
（四）反馈原则：我们知道，预测是根据被预测对象的过去和现在对预测对象的未来做出推断，所以信息的搜集很重要。
1.2.3 基本要求
短期负荷预测遵循以下五个基本要求：
（一）基础资料的合理性。
（二）历史数据的可用性。
（三）统计分析的全面性。
（四）预测手段的先进性。
（五）预测方法的适应性。
1.3 短期负荷预测遵循理念
短期负荷预测遵循以下七个理念：
（一）区分拟合与预测。
（二）遵循简约原则。
（三）“近大远小”原则。
（四）重视负荷成因分析。
（五）负荷预测中相关因素的考虑。
（六）确定性预测/区间预N/概率性预测。
（七）综合预测。
1.4 短期负荷预测存在的问题
（一）预测中所采用的数学模型大多只包括所研究现象的某些主要因素，只是一种简单化了的负荷状况的反映，与实际负荷之间存在差距，用它来进行预测，就不可避免的会产生误差；
（二）预测方法的选择不当，负荷预测的中心问题是预测所采用何种的技术方法。近几年，各种负荷预测技术不断深化，同时，各种各样的新兴的算法也不断涌现，这些方法都具有特定的和各自的特点和使用条件，在使用和选择的时候不能盲目的生搬硬套，这样预测效果可能会不是很理想；
（三）进行负荷预测用到的各项资料有可能不是完全准确可靠，负荷数据来源于数据库，各种终端表计的误差和负荷的大幅度波动都会给负荷预测带来麻烦；
（四）某种意外事件的发生或情况的突然变化。在国家法定节假日或举行全国性的活动，负荷明显会升高。以上各种不同原因引起的误差是混合在一起表现出来的，因此，当发现误差很大，常用的方法预测结果严重失实时，就需要针对这些原因逐一进行审查，寻找根源，加以改进。 第二章 小波分析在短期负荷预测中的应用
2.1 小波分析理论的概述
小波即小区域的波，是一种特殊的长度有限、平均值为零的波形。它有两个特点：一是“小”，即在时域具有紧支集或近似紧支集；二是正负交替的“波动性”，也即支流分量为零。
小波分析是一种比较新颖的时频分析方法。在齿轮的变速控制，非正常噪声控制，间断现象等方面有重要的应用。但是，频域分析的目的在于把突发信号、稳定信号和定量分析区别开来，这些功能在识别、探伤、检测和流量控制等有很重要的应用。
小波分析与傅里叶分析比较，小波分析要略胜一筹，主要表现在：（1）小波分析不管在时域还是频域都拥有良好的局部化性质；（2）小波分析对信号高频的成分使用的取样步长是逐渐精密的，可以聚焦到任何信号的任何细节；（3）小波分析在信号的处理、图像的处理、语音的识别有广泛的应用。
我们可以这样理解小波分析的真正含义：打个比喻，我们使用镜头观察一个目标信号 ， 表示这个镜头所能够起的作用， 就是镜头与目标的平行移动， 就是这个镜头向着目标移动的距离。可以看出，小波分析具有以下三个重要特点：
（一）多尺度/多分辨的特点，可以由粗及细地处理信号；
（二）可以看成用基本频率特性为 的带通滤波器在不同尺度 下对信号做滤波；
（三）适当的选择小波，使 在时域上为有限支撑， 在频域上也比较集中，就可以使WT在时域频域都具有表征信号局部特征的能力。
2.2 小波分析在电力系统负荷预测中应用现状
电力系统的负荷序列是既有周期性又具有一定的随机性，说具有周期性是因为，电力系统的负荷是以小时、天、周、月、年来观测的，这样的负荷数据肯定会大周期中嵌套小周期；说具有随机性是因为，电力系统的负荷也会与气候条件、国民经济等条件有着密不可分的关系。
针对于这样的一种数据序列，近几年，专家学者提出了许多方法对其进行预测，小波分析方法的出现给了解决针这种问题的一线生机，小波分析方法能够将数据序列中的不同的频率分量分离出来，这样使得其周期性更加明显，然后再選取合适的预测模型对每一个子序列进行预测，最后将预测完成的子序列利用小波重构算法进行重构，即可得到预测的负荷序列。
第三章 神经网络和灰色模型在短期负荷预测中的应用
近些年来，人工神经网络在电力系统负荷预测中已经有着非常广泛的应用，这也无疑的证明了人工神经网络应用在电力系统负荷预测中是非常适合的。使用人工神经网络进行电力系统负荷预测，所得到的预测结果更为准确，所以，人工神经网络具有广阔的应用前景。
灰色预测法主要是针对具有不确定因素的系统可以预测，灰色预测法在建模时不需要计算统计特征量，可以应用于任何非线性变化的负荷指标预测，要求负荷数据少，不考虑分布规律和变化趋势，运算方便，短期预测精度高，易于应用。
3.1 BP神经网络
BP神经网络是一种多层的前馈的神经网络，这个网络的特点是信号是向前传递的，误差反向传播。在向前的传递的过程中，输入信号按照输入层、隐含层和输出层的顺序，每一层进行相应的处理，上一层的输出影响到下一层的输出。当输出结果不够理想时，网络则转入到反向传播中，根据网络预测的误差来重新修改阈值和网络权值，这样网络的输出结果将不断逼近期望结果。
3.2 RBF神经网络
RBF神经网络也是一种前向的神经网络，网络也是三层网络，分别为：输入层、隐藏层和输出层。输入层是由信号源的结点组成的，隐藏层的变换函数，即径向基函数，是一种中心点对称而且非负衰减的函数，输出层对输入信号做出响应。
RBF神经网络的中心思想是：将非线性的低维的输入向量变换到高维空间内，使得其线性可分。
RBF神经网络的结构非常的简单、训练十分的简洁，同时，它学习和收敛的速度非常的快，并且能够快速的逼近任何的一个非线性函数，因此，它已被广泛应用于时间序列分析、模式识别、非线性控制和图形处理等领域。
尽管RBF网络的输出是隐单元输出的线性加权和，并且网络的学习速率比较快，这并不表示RBF神经网络就可以代替其他的网络。主要原因是，对于相同的预测目标，RBF网络需要的隐含层神经元比BP神经网络更多。
3.3 GRNN神经网络
GRNN神经网络也是径向基神经网络中其中的一种。GRNN网络具有很强的柔性网络结构、很强的非线性映射能力和高度的容错性和鲁棒性，它对于解决非线性问题非常适合。GRNN网络在学习速度和逼近能力上比RBF网络更强，GRNN网络在最后都会收敛在样本量积聚较多的优化回归面，而且即使输入数据较少时，预测效果也较好。此外，网络还可以处理不稳定的数据。
第四章 结论和展望
4.1 结论
电力系统短期负荷预测是电力系统的一项重要工作，涉及调度、用电、计划和规划等多个管理部门。电力系统负荷预测的误差将会导致一年近百万元的经济损失，因此，提高负荷预测的准确率以减小预测误差能够直接影响电力系统的经济效益。
本文使用小波分析理论对原始负荷序列进行分解后，再采用预测模型对每一个序列分别预测，最后进行小波重构算法得到最终的预测值。这样做的目的是，小波分解可以将负荷数据序列的高频分量和低频分量分解出来，这样就可以比直接使用预测模型进行预测更加深层次的挖掘负荷数据序列的内部隐藏信息，可以使预测结果更加准确，可靠。
同时，在对小波分解后的子序列进行预测时，由于使用的是db4小波3尺度对负荷数据序列进行分解，所以会产生cd1、cd2、cd3和ca3四个子序列，cd1、cd2和cd3分别为第一层、第二层和第三层的高频分量，ca3为第三层的低频分量，其中第一层的高频分量cd1序列波动最大，其次为第二层的高频分量cd2，波动最不剧烈的为第三层的高频分量cd3。针对它们不同特点，使用BP神经网络算法预测cd1，使用RBF神经网络算法预测cd2，使用GRNN神经网络算法预测cd3，使用GM（1，1）灰色模型预测ca3，充分发挥了各个预测模型的优势。
应用本文提出的模型，对某地区一年8760个小时时间点的负荷数据进行预测并验证，取得了比较好的预测效果，预测误差精度都在8%一下，说明本模型有一定的可行性。
4.2 展望
（一）在短期负荷预测的模型建模中，由于条件的限制，有些影响因素没有考虑进去，例如天气、湿度和风力等因素，这些因素也会在某种程度上间接的影响预测结果，可以加入模型中给予考虑；
（二）本文提出的模型，虽然纵观一年中采用固定时间点的形式构建预测模型，但可以尝试采用多种方式，例如根据工作日和节假日的负荷的不同，可以分别进行预测，或者法定节假日的负荷数据也可以分别考虑，这样经过多方面对比分析，可以获得更好的预测效果；
（三）基于小波分解后的各个子序列，可以考虑使用模拟退火算法、蚁群算法和遗传算法等一些智能算法，并进行结果对比，选取能够得到最优预测结果的算法，另外，若将本预测模型应用于实际工程中，还需要做大量的软件开发工作。在江西，现在有关电力技术人员在用某种算法预测了短期负荷后，常根据经验进行修改。比如某个时段用某种算法负荷预测过低，下个时段就会在负荷预测结果上再加一定的数据。总之，力求预测精确。所以，不断的提高短期负荷预测的精度是我们今后还要研究的工作。
小波分析理论是一个相对较新鲜的概念，近几年才慢慢应用于电力系统的相关方面，使用小波分析理论将原始的负荷序列进行分解，而不是直接使用神经网络进行负荷预测，这样可以将负荷数据序列的高频分量和低频分量分解开来，更好的挖掘负荷数据序列的更加深层次的隐藏信息，然后再使用神经网络算法进行分别预测，本文使用BP神经网络、RBF神经网络和GRNN神经网络进行预测，而且还将非常经典的灰色预测模型GM（1，1）引入到模型中来，最后再将小波分解的序列进行重构，即可得到预测的结果。将模型应用到一个具体实例中，结果表明，预测精度完全满足要求，并且较没有使用小波分析理论的模型预测精度有一定的提高。
关键词：负荷预测；小波分析理论；神经网络
第一章 短期负荷预测原理和主要问题分析
1.1 预测的起源
预测，是一类科学问题的总称，是对尚未发生或目前还不明确的事物进行预先的估计和推测。
对于预测的定义，从古至今就有多种表达，大多数人认为，它就是以一定的理论指导为基础，根据事物的发展历史和发展现状作为出发点，使用所得的调查研究的资料和统计数据为基础，研究、认识和推测事物的发展变化规律，从而对于事物的发展和未来变化做出一个比较科学的推测。
电力系统的负荷预测就是依据一些历史数据，寻找到电力负荷的历史数据的变化规律，以期能够寻求得到电力负荷与之相关因素之间的内部联系，进而对未来的电力系统的负荷进行一个相对比较科学和完美的预测。
理论上讲，电力系统负荷预测理论的数学理论的中心是取得被预测对象的变化规律和其影响因素的关系。电力系统的负荷预测其实就是被预测对象的变化规律的一个数学函数，如何建立一个非常良好的负荷预测的数学模型，从而减少模型预测的误差、增大模型预测的精度，这个是一个很重要的课题。
1.2 短期负荷预测原理
1.2.1 一般原理
与其他预测问题类似，短期负荷预测遵循以下四个基本原理：
（一）可知性原理：我们知道，人能够认识过去、体会现在和预测未来。预测的准确性主要决定于我们掌握被预測事物发展变化规律的多少。
（二）可能性原理：我们知道，一个事物的发展，可以存在很多种的可能性，肯定不可能只有单一可能，所以，需要对其发生的可能性进行预测。
（三）可控制原理：我们知道，一个事物的未来发展是可以进行干预和控制的。预测的目的就是预知预测对象的未来信息，依据未来信息做出决策，这样就可以调整和控制预测对象未来的行动。
（四）系统性原理：我们知道，预测对象一般在时间上是连续的，如果要预测将来，我们必须要知道预测对象的过去和现在。
1.2.2 基本原则
短期负荷预测遵循以下四个基本原则：
（一）延续性原则：我们知道，几乎没有一种事物的发展会脱离其过去的行为。
（二）类推原则：我们知道，这个世界上，许多的事物之间都存在有相似的发展变化经历。所以，我们可以通过先前事物发展的趋势，推测后来发展的事物，这样就做出了预测。
（三）相关原则：我们知道，世界上任何一个事物的发展都不是绝对孤立存在的，它们之间都存在着相互的联系，所以都会相互影响。
（四）反馈原则：我们知道，预测是根据被预测对象的过去和现在对预测对象的未来做出推断，所以信息的搜集很重要。
1.2.3 基本要求
短期负荷预测遵循以下五个基本要求：
（一）基础资料的合理性。
（二）历史数据的可用性。
（三）统计分析的全面性。
（四）预测手段的先进性。
（五）预测方法的适应性。
1.3 短期负荷预测遵循理念
短期负荷预测遵循以下七个理念：
（一）区分拟合与预测。
（二）遵循简约原则。
（三）“近大远小”原则。
（四）重视负荷成因分析。
（五）负荷预测中相关因素的考虑。
（六）确定性预测/区间预N/概率性预测。
（七）综合预测。
1.4 短期负荷预测存在的问题
（一）预测中所采用的数学模型大多只包括所研究现象的某些主要因素，只是一种简单化了的负荷状况的反映，与实际负荷之间存在差距，用它来进行预测，就不可避免的会产生误差；
（二）预测方法的选择不当，负荷预测的中心问题是预测所采用何种的技术方法。近几年，各种负荷预测技术不断深化，同时，各种各样的新兴的算法也不断涌现，这些方法都具有特定的和各自的特点和使用条件，在使用和选择的时候不能盲目的生搬硬套，这样预测效果可能会不是很理想；
（三）进行负荷预测用到的各项资料有可能不是完全准确可靠，负荷数据来源于数据库，各种终端表计的误差和负荷的大幅度波动都会给负荷预测带来麻烦；
（四）某种意外事件的发生或情况的突然变化。在国家法定节假日或举行全国性的活动，负荷明显会升高。以上各种不同原因引起的误差是混合在一起表现出来的，因此，当发现误差很大，常用的方法预测结果严重失实时，就需要针对这些原因逐一进行审查，寻找根源，加以改进。 第二章 小波分析在短期负荷预测中的应用
2.1 小波分析理论的概述
小波即小区域的波，是一种特殊的长度有限、平均值为零的波形。它有两个特点：一是“小”，即在时域具有紧支集或近似紧支集；二是正负交替的“波动性”，也即支流分量为零。
小波分析是一种比较新颖的时频分析方法。在齿轮的变速控制，非正常噪声控制，间断现象等方面有重要的应用。但是，频域分析的目的在于把突发信号、稳定信号和定量分析区别开来，这些功能在识别、探伤、检测和流量控制等有很重要的应用。
小波分析与傅里叶分析比较，小波分析要略胜一筹，主要表现在：（1）小波分析不管在时域还是频域都拥有良好的局部化性质；（2）小波分析对信号高频的成分使用的取样步长是逐渐精密的，可以聚焦到任何信号的任何细节；（3）小波分析在信号的处理、图像的处理、语音的识别有广泛的应用。
我们可以这样理解小波分析的真正含义：打个比喻，我们使用镜头观察一个目标信号 ， 表示这个镜头所能够起的作用， 就是镜头与目标的平行移动， 就是这个镜头向着目标移动的距离。可以看出，小波分析具有以下三个重要特点：
（一）多尺度/多分辨的特点，可以由粗及细地处理信号；
（二）可以看成用基本频率特性为 的带通滤波器在不同尺度 下对信号做滤波；
（三）适当的选择小波，使 在时域上为有限支撑， 在频域上也比较集中，就可以使WT在时域频域都具有表征信号局部特征的能力。
2.2 小波分析在电力系统负荷预测中应用现状
电力系统的负荷序列是既有周期性又具有一定的随机性，说具有周期性是因为，电力系统的负荷是以小时、天、周、月、年来观测的，这样的负荷数据肯定会大周期中嵌套小周期；说具有随机性是因为，电力系统的负荷也会与气候条件、国民经济等条件有着密不可分的关系。
针对于这样的一种数据序列，近几年，专家学者提出了许多方法对其进行预测，小波分析方法的出现给了解决针这种问题的一线生机，小波分析方法能够将数据序列中的不同的频率分量分离出来，这样使得其周期性更加明显，然后再選取合适的预测模型对每一个子序列进行预测，最后将预测完成的子序列利用小波重构算法进行重构，即可得到预测的负荷序列。
第三章 神经网络和灰色模型在短期负荷预测中的应用
近些年来，人工神经网络在电力系统负荷预测中已经有着非常广泛的应用，这也无疑的证明了人工神经网络应用在电力系统负荷预测中是非常适合的。使用人工神经网络进行电力系统负荷预测，所得到的预测结果更为准确，所以，人工神经网络具有广阔的应用前景。
灰色预测法主要是针对具有不确定因素的系统可以预测，灰色预测法在建模时不需要计算统计特征量，可以应用于任何非线性变化的负荷指标预测，要求负荷数据少，不考虑分布规律和变化趋势，运算方便，短期预测精度高，易于应用。
3.1 BP神经网络
BP神经网络是一种多层的前馈的神经网络，这个网络的特点是信号是向前传递的，误差反向传播。在向前的传递的过程中，输入信号按照输入层、隐含层和输出层的顺序，每一层进行相应的处理，上一层的输出影响到下一层的输出。当输出结果不够理想时，网络则转入到反向传播中，根据网络预测的误差来重新修改阈值和网络权值，这样网络的输出结果将不断逼近期望结果。
3.2 RBF神经网络
RBF神经网络也是一种前向的神经网络，网络也是三层网络，分别为：输入层、隐藏层和输出层。输入层是由信号源的结点组成的，隐藏层的变换函数，即径向基函数，是一种中心点对称而且非负衰减的函数，输出层对输入信号做出响应。
RBF神经网络的中心思想是：将非线性的低维的输入向量变换到高维空间内，使得其线性可分。
RBF神经网络的结构非常的简单、训练十分的简洁，同时，它学习和收敛的速度非常的快，并且能够快速的逼近任何的一个非线性函数，因此，它已被广泛应用于时间序列分析、模式识别、非线性控制和图形处理等领域。
尽管RBF网络的输出是隐单元输出的线性加权和，并且网络的学习速率比较快，这并不表示RBF神经网络就可以代替其他的网络。主要原因是，对于相同的预测目标，RBF网络需要的隐含层神经元比BP神经网络更多。
3.3 GRNN神经网络
GRNN神经网络也是径向基神经网络中其中的一种。GRNN网络具有很强的柔性网络结构、很强的非线性映射能力和高度的容错性和鲁棒性，它对于解决非线性问题非常适合。GRNN网络在学习速度和逼近能力上比RBF网络更强，GRNN网络在最后都会收敛在样本量积聚较多的优化回归面，而且即使输入数据较少时，预测效果也较好。此外，网络还可以处理不稳定的数据。
第四章 结论和展望
4.1 结论
电力系统短期负荷预测是电力系统的一项重要工作，涉及调度、用电、计划和规划等多个管理部门。电力系统负荷预测的误差将会导致一年近百万元的经济损失，因此，提高负荷预测的准确率以减小预测误差能够直接影响电力系统的经济效益。
本文使用小波分析理论对原始负荷序列进行分解后，再采用预测模型对每一个序列分别预测，最后进行小波重构算法得到最终的预测值。这样做的目的是，小波分解可以将负荷数据序列的高频分量和低频分量分解出来，这样就可以比直接使用预测模型进行预测更加深层次的挖掘负荷数据序列的内部隐藏信息，可以使预测结果更加准确，可靠。
同时，在对小波分解后的子序列进行预测时，由于使用的是db4小波3尺度对负荷数据序列进行分解，所以会产生cd1、cd2、cd3和ca3四个子序列，cd1、cd2和cd3分别为第一层、第二层和第三层的高频分量，ca3为第三层的低频分量，其中第一层的高频分量cd1序列波动最大，其次为第二层的高频分量cd2，波动最不剧烈的为第三层的高频分量cd3。针对它们不同特点，使用BP神经网络算法预测cd1，使用RBF神经网络算法预测cd2，使用GRNN神经网络算法预测cd3，使用GM（1，1）灰色模型预测ca3，充分发挥了各个预测模型的优势。
应用本文提出的模型，对某地区一年8760个小时时间点的负荷数据进行预测并验证，取得了比较好的预测效果，预测误差精度都在8%一下，说明本模型有一定的可行性。
4.2 展望
（一）在短期负荷预测的模型建模中，由于条件的限制，有些影响因素没有考虑进去，例如天气、湿度和风力等因素，这些因素也会在某种程度上间接的影响预测结果，可以加入模型中给予考虑；
（二）本文提出的模型，虽然纵观一年中采用固定时间点的形式构建预测模型，但可以尝试采用多种方式，例如根据工作日和节假日的负荷的不同，可以分别进行预测，或者法定节假日的负荷数据也可以分别考虑，这样经过多方面对比分析，可以获得更好的预测效果；
（三）基于小波分解后的各个子序列，可以考虑使用模拟退火算法、蚁群算法和遗传算法等一些智能算法，并进行结果对比，选取能够得到最优预测结果的算法，另外，若将本预测模型应用于实际工程中，还需要做大量的软件开发工作。在江西，现在有关电力技术人员在用某种算法预测了短期负荷后，常根据经验进行修改。比如某个时段用某种算法负荷预测过低，下个时段就会在负荷预测结果上再加一定的数据。总之，力求预测精确。所以，不断的提高短期负荷预测的精度是我们今后还要研究的工作。