电力负荷预测是电力系统安全稳定运行的重要基础性工作,也是电网智能化建设过程中的一大研究热点。短期负荷预测可以为电力公司制定短期发电计划、机组启停、能源调度等任务提供重要参考依据。中期负荷预测对发电原材料采购、能源供应合同的签订具有重要借鉴意义。如今准确的负荷预测技术已成为保障电网正常稳定运行的关键性技术之一。通过对负荷预测领域前人研究进展的调研分析得知,基于统计建模的机器学习算法已成为该领域的主流方法。本文以新英格兰地区的整点负荷和气象数据为实验仿真数据,对该地区的负荷特征及其影响因素进行了详细分析,并以此为基础,建立了两个负荷预测模型:预测未来一周每个整点时刻用电量的组合预测模型和预测未来四年每个整点时刻用电量的区间预测模型。其一,考虑到短期负荷预测周期较短,且负荷数据间存在“近大远小”关系,因此,选取了时间跨度比较适中的训练样本,分别应用随机森林和BP网络对该地区的短期用电量进行预测。由于样本中工作日和休息日的数目存在较大差异,且随机森林选取样本采用的是自助采样(Bootstrap)方式,导致其对休息日的学习不充分,预测效果不佳;而BP神经网络则能通过重复训练,拟合出预测值和输入特征间的复杂关系。为了充分融合两种模型的优点,借助“误差平方倒数比”方法将两种模型的预测结果进行了加权组合,实验结果表明,组合模型的预测精度更高,误差极大值更小,且误差分布更均匀,组合模型在测试集上的平均绝对百分比误差为2.282%,只有4个样本点的百分比误差超过了6%,进一步验证了组合模型的稳定性更高。其二,基于长短期记忆网络,建立了预测未来四年每个整点时刻用电量的点预测模型,由于预测时间跨度较长,单纯的点预测值与实际值之间往往存在一定偏差,而区间预测结果则能提供更多不确定性参考信息。考虑到不同大小区间负荷值的误差分布存在一定差异性,因此,本文提出了一种基于核密度估计的分段误差统计方法,先按负荷值大小划分区间段,分别对每个区间段的误差进行统计分析,依次求得每个区间段的误差概率密度曲线,基于概率密度曲线求解误差在不同置信水平下的置信区间,并由此转化为负荷预测值的区间预测结果。分段区间预测模型在80%置信度下的区间覆盖率(FICP)达到了76.5%,实验结果验证了该区间预测模型的有效性。