二十世纪八十年代初，电力负荷预测开始出现。起初完全是靠人工实现，这样做不仅仅容易造成不良数据，同时工作人员只能按照自己的经验进行预测，没有可靠的理论支持，这样是不科学的，会造成很大的误差影响。83390

长期以来，国内外一直致力于进行电力负荷预测工作，重点是针对有关预测模型和方法的理论研究，因此越来越多新的电力负荷预测理论被提出来，而且人们已经正在使用其中一些方法。这些方法可以分为两种预测方法，一是依据数学模型进行预测的，二是依据非数学模型进行预测的。最早的预测方法就是以数学模型为基础来研究的，那时候数学理论的使用很普遍，人们通过这些理论对历史数据与一些影响因素之间的关系进行分析，然后通过负荷预测模型的建立以及从历史数据中估计出的模型参数，最后根据误差率来评价此模型的好坏。这类方法典型的有时间序列法和回归分析法，我们从已经预测过的真实案例中可以总结出一些规律，就是在比较相似的时段时应用时间序列法，这样它的预测就会比较准确，然而，遇到一些能够影响数据真实性的因素，比如重大事项或天气突变，这都会影响到电力负荷数据的准确性，在这时候该方法预测结果的误差就会特别大。

总而言之，数学模型方法有很多优点，它的计算量比较小，复杂度也比较低，但同时缺点也存在很多，如自适应能力差，稳定性差等。现在人们的生活水平提高了，电能质量的好坏越来越受到关注，所以作为保证电能质量的一个基本工具，电力负荷预测越来越重要了。电力负荷预测不仅是电力系统规划设计与计划管理工作中的一项基础工作，而且跟今后电网商业化运营过程有着很大关系，同时，电力负荷预测的工作量又大，而且需要反复进行，这就是为什么一直需要寻找一个预测负荷的理想模型。论文网

随着社会的发展，新技术不断地出现，人们因此提出了更多的负荷预测方法，像人工智能和遗传算法等都是比较常见的，负荷预测理论正是因为这些理论的提出而得到了迅速的发展。特别是其中基于人工智能的非数学负荷模型成为了专家们研究的热点，尤其是基于人工神经网络（ANN）的负荷预测模型，这已经越来越被大众所认识。

近年来，控制理论相关工作者对人工神经网络产生了极大兴趣。作为一个能自学习、能自我进行总结的系统，人工神经网络可以通过对局部情况的比较，能够使系统自我识别。相比之下，基于符号系统下的学习方法其不同之处就是它虽然也有推理功能，但是他们只是建立在逻辑演算法的基础上进行的，并不是自动识别的。神经网络能够模拟多变量，不需要对输入变量做复杂的相关假定，这是它的优势之一。同时，神经网络本身也具有良好的自学习和自适应能力，这使其能充分逼近复杂的非线性关系，其中最重要的一点就是它能够建立合理的数学模型来进行准确预测。由于它能够像人脑那样拥有很好的记忆学习能力，相比于时间序列法，可以在任何阶数下对历史数据进行正确处理。因此，人工神经网络得以广泛应用于电力系统负荷预测中，这种方法具有一定的可行性。

但是不会存在一种预测能够完全准确，其实负荷预测就是人们用来估计未来的电力负荷的，因为数据会有误差，所以预测输出与期望输出之间必定也会存在差距。用户需要对产生的误差分析存在的原因，同时还要计算误差的大小，用来对以后负荷预测的改进做好准备，这将会有利于未来的负荷预测。我们通过对误差的分析可以认识到预测结果的精确程度，并能够对此进行改进。天气、经济以及政治等动态因素有可能会影响到电力负荷数据的准确性，如果用户用静态神经网络来训练系统中的动态数据，那么网络就会有过多的输入量，而且收敛地也会变慢。同时电力负荷预测作为一个非线性优化问题，可能会陷入局部最小点，从而得不到最优解。这些问题一直到现在还存在着，这就是为什么要一直研究电力负荷预测的原因。