准确的区间型负荷预测指出了未来给定时间窗口中负荷波动的极大（小）值，不仅为电力系统错峰支援与峰谷置换、负载潮流分析、输电网扩展规划提供重要信息，还为电力企业制定系统规划和运作决策提供非常重要的风险管理工具。本项目围绕区间型序列预测方法、集成学习技术及其在负荷预测等领域的应用展开研究。通过项目研究，构建了区间型多层感知器和区间型长短记忆网络等多个神经网络模型，以及基于混合抽样、区间聚类的集成预测模型，还构建了基于计算智能的电力负荷预测框架和预测支持系统体系结构。本项目累计出版专著1部，发表论文9篇。相关成果对于丰富区间型序列预测和集成学习理论与方法、提升电力负荷预测性能、保障电力系统的安全高效运营，具有重要的理论意义和应用价值。 2100433B

区间型负荷数据，由给定时间窗口内的峰值负荷和谷值负荷构成。准确的区间型负荷预测指出了未来给定时间窗口中负荷波动的极大（小）值，不仅为电力系统错峰支援与峰谷置换、负载潮流分析、输电网扩展规划提供重要信息，还为电力企业制定系统规划和运作决策提供非常重要的风险管理工具。针对区间型负荷预测这一电力系统运营管理中新兴的基础预测问题，为克服现有单一模型及简单混合模型在预测中的稳定性及准确性差的缺点，本项目引入集成学习技术思想，以准确预测区间型负荷为目的，系统地研究基于集成学习的区间型负荷预测理论与方法。具体的，本项目在对区间型负荷波动特征及气象因素影响关系分析与处理的基础上，结合先进的文化基因算法，系统研究基于集成学习的区间型负荷预测建模方法，重点关注元模型选择与优化、个体预测模型的生成策略、集成策略、预测评价等关键技术细节，构建和完善系统的区间型负荷集成预测模型，并完成智能预测系统的原型开发。

本书综合运用多种计算智能技术，提出了基于计算智能的电力负荷预测理论框架（CILF框架）：并在此框架下围绕建模过程中的多个关键技术问题开展了一系列研究；同时，结合电力负荷预测研究中短期负荷预测、区间型负荷预测等典型预测问题进行了应用研究。此外，结合本书基于计算智能的负荷预测理论框架，特别是在特征选择、参数优化、模型选择等具体技术上的研究成果，设计了负荷预测支持系统，为决策者提供决策工具。

本书综合运用多种计算智能技术，提出了基于计算智能的电力负荷预测理论框架（CILF框架）：并在此框架下围绕建模过程中的多个关键技术问题开展了一系列研究；同时，结合电力负荷预测研究中短期负荷预测、区间型负荷预测等典型预测问题进行了应用研究。此外，结合本书基于计算智能的负荷预测理论框架，特别是在特征选择、参数优化、模型选择等具体技术上的研究成果，设计了负荷预测支持系统，为决策者提供决策工具。 2100433B

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。