1、短期負(fù)荷預(yù)測不僅是調(diào)度、規(guī)劃等管理部門的重要工作，也是能量管理系統(tǒng)(EMS)和配電管理系統(tǒng)(DMS)的重要組成部分。短期負(fù)荷預(yù)測依據(jù)預(yù)測對象的不同又可分為系統(tǒng)負(fù)荷預(yù)測和母線負(fù)荷預(yù)測。與系統(tǒng)負(fù)荷相比，關(guān)于母線負(fù)荷預(yù)測研究相對較少，國內(nèi)外相關(guān)文獻(xiàn)有限。在以往的電力系統(tǒng)運(yùn)行中，以系統(tǒng)負(fù)荷預(yù)測結(jié)果為依據(jù)。將其按比例分配至各個(gè)母線上，得到母線負(fù)荷的預(yù)測結(jié)果，可以基本上滿足粗放式管理和決策的要求。而母線負(fù)荷變化規(guī)律復(fù)雜，難以提出較為理想的預(yù)測方法，

2、這些原因造成了母線負(fù)荷預(yù)測成果的缺乏。本文對220kV電壓等級變電站母線負(fù)荷預(yù)測進(jìn)行了深入研究，將四種系統(tǒng)負(fù)荷的預(yù)測模型應(yīng)用于母線負(fù)荷預(yù)測當(dāng)中并對預(yù)測效果進(jìn)行了評價(jià)。在上述研究的基礎(chǔ)上，提出了一種以各時(shí)段預(yù)測誤差平方和最小為目標(biāo)函數(shù)的綜合模型，提高了預(yù)測精度。本文的主要工作如下：
　　(1)闡述了母線負(fù)荷預(yù)測的國內(nèi)外研究動態(tài)，簡單介紹了常用的負(fù)荷預(yù)測算法。
　　(2)詳細(xì)論述模糊C均值(FCM)聚類算法和模糊最大支撐樹算法步

3、驟，給出了歐式距離、灰色關(guān)聯(lián)度和趨勢相似度的計(jì)算公式。
　　(3)分析了母線負(fù)荷的特點(diǎn)和預(yù)測的難點(diǎn)，根據(jù)歐式距離、灰色關(guān)聯(lián)度和趨勢相似度選取了三組相似負(fù)荷時(shí)間序列，通過比較各組中負(fù)荷時(shí)間序列變化趨勢相似程度，確定了趨勢相似度為聚類指標(biāo)。
　　(4)以趨勢相似度為聚類指標(biāo)，利用最大支撐樹算法對母線負(fù)荷進(jìn)行了聚類分析，結(jié)果表明，區(qū)分工作日負(fù)荷和休息日負(fù)荷的分類方式對母線負(fù)荷并不適用。
　　(5)提出了基于相似負(fù)荷時(shí)間序列的

4、短期負(fù)荷預(yù)測模型，并在母線負(fù)荷的橫向預(yù)測上進(jìn)行了應(yīng)用，取得了良好的預(yù)測效果。
　　(6)對ARIMA模型、灰色預(yù)測GM(1，1)模型和RBF徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)模型的基本理論和建模步驟進(jìn)行了詳細(xì)的論述，繪制了算法流程圖；通過修正預(yù)測公式，對灰色預(yù)測GM(1，1)模型進(jìn)行了改進(jìn)，通過預(yù)測實(shí)例驗(yàn)證改進(jìn)后的模型改善了原始模型的預(yù)測效果；將模糊C均值(FCM)聚類算法用于RBF徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練樣本的優(yōu)選，提高了該模型的預(yù)測精度。<