能源互联网已成为当下电网发展的大趋势,电网规模越大那么安全问题就越显著。高精度的负荷预测和有效的有序用电管理措施不仅可以保证电网电能的安全输送,还可以有效提高电网公司的运作效率。目前对于负荷预测的方法概括起来分为传统数据统计法和现代人工智能法两种,由于传统的数据统计方法对于电网的实际运行因素考虑欠缺,因此效果往往较差。而现行的智能算法中,应用于负荷预测方面最多的就是BP神经网络,然而传统的神经网络无法实现多层网络的训练,因此影响其预测精度。同时,有效的输入输出变量对电力系统负荷预测模型的预测精度有很大的影响。基于此,为了提高电力系统短期负荷的预测精度,本文研究的主要内容如下所示:(1)深度信念网络(DBN)由多层受限玻尔兹曼机(RBM)堆叠组成,而RBM作为一种有效的特征处理方法,能够胜任电力系统负荷预测高维、复杂、非线性问题求解。同时,DBN采用非监督贪心逐层训练算法构成多隐含层感知器结构,在回归预测分析中展现出优良的性能,基于此建立负荷预测模型。(2)训练数据往往很庞大,如果不加以处理直接对网络进行训练,常会增加网络模型的复杂性,而且影响结果的精确性。基于以上分析,本文采用了基于相似日和深度信念网络相结合的负荷预测模型,该模型在选择训练数据的时候将庞大的数据进行一个相似日的处理,相似日在负荷的消耗水平上与预测日相当,从而不仅提高了建模速度,而且也增加了预测的精度。(3)分析研究了我国有序用电管理的现状以及江苏省现行有序用电管理的措施,结合江苏电网的实际,分行业对南通市负荷特性进行了研究分析,提出了相应的有序用电措施及建议。