负荷预测有助于电力管理部门安排发电机组运行个数,合理调配电能的输送及供给,规划基础设施配备和电网系统的检修。准确的负荷预测,既有利于提高电网的科学管理水平,又有利于提高电力企业的经济效益和社会效益。故提高预测的准确性,不仅是电力部门迫在眉睫的一项战略任务,也是电力工作者们研究的重要课题之一。本文绪论介绍了负荷预测的研究背景及意义、负荷预测的特点及基本要求。从负荷预测的研究现状中发现已有理论方法存在常权难以适应复杂的负荷环境的不足,提出基于变权综合的电力负荷预测方法。主要工作包括:首先,提出了一种基于阈值和云典型度加权改进FCM聚类的电力负荷模式分类识别方法。该方法通过引入隶属度阈值识别异质和非典型负荷数据;接着借助逆向云发生器为每个负荷簇建立云模型,并依据云相关系数对隶属于同一簇的数据进行典型程度赋权,给出基于改进FCM负荷聚类分组算法。其次,给出一种基于改进RBF神经网络的变权综合多模型电力负荷预测方法。该方法引入共轭梯度下降法来改进RBF神经网络算法,并利用改进算法对经由改进FCM算法聚类得到的各典型类负荷数据进行学习,构建适应各典型类的预测子模型;接着,提出一种基于负荷模式相似度的动态赋权方法;最后,对各类子模型输出结果进行自适应变权叠加得到电力负荷的最终预测值。再次,构建了基于相似训练数据组织和改进梯度提升决策树的电力负荷预测方法。该方法首先借助灰色关联分析等方法计算历史日与待预测日在气象因子、时间因子和前趋势因子等类特征上的局部相似度;然后,利用取最小算子法确定综合相似度,并据此选择相似度较高的历史数据组成适合滚动预测的动态训练数据集,减少异质数据的干扰;进而,引入综合相似度加权损失函数来改进梯度提升决策树算法,建立基于相似训练数据选取和改进梯度提升决策树的负荷预测模型。最后,利用电力负荷历史记录设计仿真预测实验对预测方法的预测效果进行检验分析,并与文献中所给的BP神经网络,随机森林等典型算法进行对比。实验结果表明,无论是基于FCM聚类和RBF网络自适应组合模型的电力负荷预测法,还是基于相似数据选取和改进梯度提升决策树的负荷预测法的预测精度都有显著提升。