从20世纪60-70年代开始，由于世界各国经济迅猛发展，对电力需求量越来越大以及对电能质量的要求越来越高，短期负荷预测开始向应用，探索和研究方向发展。负荷预测的发展可以分为两个阶段：第一阶段（20世纪60-80年代）是使用传统负荷预测技术的阶段，这一阶段基本沿袭了经济领域的预测技术，典型的如时间序列法，回归分析法；第二阶段（20世纪90年代到现在），负荷预测进入了使用智能化负荷预测技术的阶段。专家系统，人工神经网络和模糊逻辑系统代表着当今人工智能技术的三大分支，它们都在负荷预测领域逐步得到应用。同时，提出了灰色系统理论，非线性系统理论,小波分析理论等技术方法。66241

目前，国内外关于短期电力负荷预测的研究主要集中在三个方面：负荷预测的影响因素，负荷预测的数学模型以及负荷预测的算法论文网。其中，在算法方面的研究最广泛，已经涌现出了各种不同的算法。而这些算法在模型的复杂性，灵活性，对数据的要求以及满足用户的特殊要求等方面都有很大的不同。

参 考 文 献

[1]蔡夏,邢骏. 电力系统负荷预测方法综述[J]. 信息化研究,2010,36(06):5-7+25.

[2]廖旎焕,胡智宏,马莹莹,卢王允. 电力系统短期负荷预测方法综述[J]. 电力系统保护与控制,2011,39(01):147-152.

[3]孙海斌,李扬,卢毅,王磊,唐国庆. 电力系统短期负荷预测方法综述[J]. 江苏电机工程,2000,19(2):9-13+17.

[4]张志明. 基于灰色理论的短期电力负荷预测研究[D].湖南大学,2009.

[5]陈勃,蒋劲,郭涌涛,邓武军. 基于灰色理论的电力负荷预测模型及其应用的研究[J]. 四川电力技术,2006,29(3):12-14.

[6]李小燕. 基于灰色理论的电力负荷预测[D].华中科技大学,2007.

[7]李伟力,陈章宝,唐丽. 基于灰色系统理论的电力负荷预测研究[J]. 广东水利电力职业技术学院学报,2008,6(4):65-68.

[8]伍春香,刘琳,王葆元. 三层BP网隐层节点数确定方法的研究[J]. 武汉测绘科技大学学报,1999,24(2):85-87.

[9]严鸿,管燕萍. BP神经网络隐层单元数的确定方法及实例[J]. 控制工程,2009,16(S1):100-102.

[10]叶斌,雷燕. 关于BP网中隐含层层数及其节点数选取方法浅析[J]. 商丘职业技术学院学报,2004,3(6):52-53+60.

[11]郑岗,刘斌,周勇,刘丁,穆国强. 基于神经元网络的短期电力负荷预测[J]. 西安理工大学学报,2002,18(2):126-130.

[12]周英,尹邦德,任铃,边雪芬. 基于BP神经网络的电网短期负荷预测模型研究[J]. 电测与仪表,2011,(2):68-71.

[13]熊永胜. 基于BP神经网络的电力系统短期负荷预测[J]. 成都大学学报(自然科学版),2012,31(2):167-169.

[14]焦淑华,夏冰,徐海静,刘莹. BP神经网络预测的MATLAB实现[J]. 哈尔滨金融高等专科学校学报,2009,(1):55-56.

[15]石云. BP神经网络的Matlab实现[J]. 湘南学院学报,2010,31(5):86-88+111.

[16]桂现才. BP神经网络在MATLAB上的实现与应用[J]. 湛江师范学院学报,2004,25(3):81-85.

[17]张圣楠,郭文义,肖力墉. 基于MATLAB的BP神经网络的设计与训练[J]. 内蒙古科技与经济,2005,(17):95-98.

[18]陈朝辉. 大波动地区电力系统短期负荷预测方法研究[J]. 华东电力,2002,(9):53-56.

[19]王武,张元敏,蔡子亮. 基于遗传优化神经网络的电力系统短期负荷预测[J]. 继电器,2008,36(9):39-42+47.

[20]Otávio A. S. Carpinteiro,Alexandre P. Alves da Silva. A Hierarchical Self-Organizing Map Model in Short-Term Load Forecasting[J]. Journal of Intelligent and Robotic Systems,2004,(31):105-113.

[21]Rastko Zivanovic. Local Regression-Based Short-Term Load Forecasting[J]. Journal of Intelligent and Robotic Systems,2004,(31):115-127.