基于虚拟母线技术的负荷预测方法(virtual busload forecasting, VBLF)，本质上是对其内部子母线的历史负荷进行加总，以生成虚拟母线历史负荷样本，据此对虚拟母线未来时段的负荷进行预测;并将预测值代入子母线的配比模型，求解各个子母线的负荷预测值。其实施步骤如下 。

1)虚拟母线辨识。

虚拟母线是满足下列聚合判据的母线组:①虚拟母线的子母线对关键断面具有相同或相近的GSDF;②子母线挂接的负荷曲线具有相似性;③子母线之间满足拓扑连通性。通过这些聚类判据，将全网的所有母线划分成N个虚拟母线。

2)生成虚拟母线的历史负荷数据。

针对每个虚拟母线Uk，将虚拟母线内所有子母线的历史负荷进行加总，得到虚拟母线历史负荷集。

3)虚拟母线负荷预测。

基于历史负荷集，构造一定的负荷预测方法对虚拟母线k=1 -N负荷进行预测，得到预测结果

4)配比模型。

维护“虚拟母线一子母线”配比模型，根据虚拟母线预测结果，得到子母线的预测值。配比因子可通过平滑近日配比因子得到。

母线负荷预测是在电力系统运行中安全校核、节能发电调度等方面的决策基础。相对于系统负荷预测，母线负荷预测研究较为缺乏。母线负荷具有量大面广、复杂多变的特点，加之大量异常数据的干扰，使得母线负荷很难直接套用系统负荷预测的思路来解决。本课题的目标是建立更加完整的母线负荷预测理论框架，从预测前、预测中、预测后三个阶段剖析母线负荷预测中的关键问题。在预测前阶段，建立由粗辨识、细辨识构成的坏数据辨识与修正方法，研究基于虚拟母线的聚类生成技术并将其应用于预测策略的探索；在预测中阶段，提出针对母线负荷特点、考虑分布式能源影响的的预测方法，提出母线极值负荷不确定性预测方法；在预测后阶段，提出考虑网损的系统负荷和母线负荷曲线的协调方法。本课题将形成母线负荷预测新型理论框架、预测策略和方法，为提高电网精益化水平、提升调度部门驾驭大电网能力、提高电网节能发电调度水平提供强有力的理论支持。

电力负荷预测分为经典预测方法和现代预测方法 。

经典预测方法

趋势外推法

就是根据负荷的变化趋势对未来负荷情况作出预测。电力负荷虽然具有随机性和不确定性，但在一定条件下，仍存在着明显的变化趋势，例如农业用电，在气候条件变化较小的冬季，日用电量相对稳定，表现为较平稳的变化趋势。这种变化趋势可为线性或非线性，周期性或非周期性等等。

时间序列法

时间序列法是一种最为常见的短期负荷预测方法，它是针对整个观测序列呈现出的某种随机过程的特性，去建立和估计产生实际序列的随机过程的模型，然后用这些模型去进行预测。它利用了电力负荷变动的惯性特征和时间上的延续性，通过对历史数据时间序列的分析处理，确定其基本特征和变化规律，预测未来负荷。

时间序列预测方法可分为确定型和随机性两类，确定型时间序列作为模型残差用于估计预测区间的大小。随机型时间序列预测模型可以看作一个线性滤波器。根据线性滤波器的特性，时间序列可划为自回归(AR)、动平均(MA)、自回归-动平均(ARMA)、累计式自回归-动平均(ARIMA)、传递函数(TF)几类模型，其负荷预测过程一般分为模型识别、模型参数估计、模型检验、负荷预测、精度检验预测值修正5个阶段。

回归分析法

回归分析法就是根据负荷过去的历史资料，建立可以分析的数学模型，对未来的负荷进行预测。利用数理统计中的回归分析方法，通过对变量的观测数据进行分析，确定变量之间的相互关系，从而实现预测。

现代负荷预测方法

20世纪80年代后期，一些基于新兴学科理论的现代预测方法逐渐得到了成功应用。这其中主要有灰色数学理论、专家系统方法、神经网络理论、模糊预测理论等 。

灰色数学理论

灰色数学理论是把负荷序列看作一真实的系统输出，它是众多影响因子的综合作用结果。这些众多因子的未知性和不确定性，成为系统的灰色特性。灰色系统理论把负荷序列通过生成变换，使其变化为有规律的生成数列再建模，用于负荷预测。

专家系统方法

专家系统方法是对于数据库里存放的过去几年的负荷数据和天气数据等进行细致的分析，汇集有经验的负荷预测人员的知识，提取有关规则。借助专家系统，负荷预测人员能识别预测日所属的类型，考虑天气因素对负荷预测的影响，按照一定的推理进行负荷预测。

神经网络理论

神经网络理论是利用神经网络的学习功能，让计算机学习包含在历史负荷数据中的映射关系，再利用这种映射关系预测未来负荷。由于该方法具有很强的鲁棒性、记忆能力、非线性映射能力以及强大的自学习能力，因此有很大的应用市场，但其缺点是学习收敛速度慢，可能收敛到局部最小点；并且知识表达困难，难以充分利用调度人员经验中存在的模糊知识。

模糊负荷预测

模糊负荷预测是近几年比较热门的研究方向。

模糊控制是在所采用的控制方法上应用了模糊数学理论，使其进行确定性的工作，对一些无法构造数学模型的被控过程进行有效控制。模糊系统不管其是如何进行计算的，从输入输出的角度讲它是一个非线性函数。模糊系统对于任意一个非线性连续函数，就是找出一类隶属函数，一种推理规则，一个解模糊方法，使得设计出的模糊系统能够任意逼近这个非线性函数。

模糊预测的一些基本方法

(1)表格查寻法：

表格法是一种相对简单明了的算法。这个方法的基本思想是从已知输入--输出数据对中产生模糊规则，形成一个模糊规则库，最终的模糊逻辑系统将从组合模糊规则库中产生。

这是一种简单易行的易于理解的算法，因为它是个顺序生成过程，无需反复学习，因此，这个方法同样具有模糊系统优于神经网络系统的一大优点，即构造起来既简单又快速。

(2)基于神经网络集成的高木-关野模糊预测算法：

它是利用神经网络来求得条件部输入变量的联合隶属函数。结论部的函数f(X)也可以用神经网络来表示。神经网络均采用前向型的BP网络。

(3)改进的模糊神经网络模型的算法：

模糊神经网络即全局逼近器。模糊系统与神经网络似乎有着天然的联系，模糊神经网络在本质上是模糊系统的实现，就是将常规的神经网络(如前向反馈神经网络，HoPfield神经网络)赋予模糊输入信号和模糊权。

对于复杂的系统建模，已经有了许多方法，并已取得良好的应用效果。但主要缺点是模型精度不高，训练时间太长。此种方法的模型物理意义明显，精度高，收敛快，属于改进型算法。

(4)反向传播学习算法：

模糊逻辑系统应用主要在于它能够作为非线性系统的模型，包括含有人工操作员的非线性系统的模型。因此，从函数逼近意义上考虑，研究模糊逻辑系统的非线性映射能力显得非常重要。函数逼近就是模糊逻辑系统可以在任意精度上，一致逼近任何定义在一个致密集上的非线性函数，其优势在于它有能够系统而有效地利用语言信息的能力。万能逼近定理表明一定存在这样一个可以在任意精度逼近任意给定函数的高斯型模糊逻辑系统。反向传播BP学习算法用来确定高斯型模糊逻辑系统的参数，经过辨识的模型能够很好的逼近真实系统，进而达到提高预测精度的目的。