电网负荷预测自出现以来,便一直是电力领域研究的重要课题之一。随着智能电网时代的到来,以及能源和环境问题的日益突出,新能源发电发展迅速,分布式能源并网也已成为主流。由于分布式能源发电具有随机性、间歇性等特性,其并网后会给大电网带来一定的危害。对含分布式能源电网短期负荷预测方法进行研究,可以帮助电网有关部门提前制定或调整发电计划、调度安排和常规机组的运行方式,从而降低分布式能源发电系统并网对电网系统安全稳定生产运行带来的影响。要进行电力系统短期负荷预测,首先需要研究负荷的有关特性,包括日属性、周属性、月属性以及温度因素、节假日因素对负荷的影响。之后,利用深信度网络建立负荷预测模型,并分析参数的不同对预测结果造成的影响,确定最终参数。最后,进行负荷预测,计算得到预测结果的平均绝对百分比误差为1.68%,而应用BP神经网络得到的预测结果平均绝对百分比误差为3.43%,所以应用深信度网络的预测结果要好于应用BP神经网络的预测结果,因此,深度学习算法可以用于解决电力系统短期负荷预测问题。进行光伏发电系统短期输出功率预测首先需要对影响光伏发电的因素进行研究,得到每个因素与光伏发电输出功率的相关性,这些因素包括太阳辐射强度,大气温度,相对湿度,风速和天气类型。然后,确定模型输入为太阳辐射强度、大气温度、相对湿度以及预测日前5天光伏发电输出功率历史数据。最后,预处理数据后进行2016.6.15-6.17连续三天的光伏发电输出功率预测,得到三天的预测结果平均绝对百分比误差分别为9.25%、11.17%、13.30%,达到了预测准确率的要求,所以深度学习算法也可以用于解决光伏发电系统短期输出功率预测问题。了解等效负荷的概念,并根据前面的研究成果,提出等效负荷预测方法,画出等效负荷预测流程图。综上所述,本课题研究成果对含分布式能源电网短期负荷预测问题的研究具有一定的实用价值。