模拟实验预测法是指现代领导者在进行决策和实施目标管理过程中应用模拟实验的手段进行科学预测的一种方法。模拟实验，是为了克服时间和空间条件的限制，在实验室内人工地创造一定条件和因素，模拟实际情况下的条件或因素，从而使研究者能用较短的时间、方便的空间、较小的代价，获得可靠的实验结果。

模拟实验预测法，就是根据事物发生、发展的条件与结果的内在联系，模拟实际事物的发展过程，从中取得第一手实验数据，通过对这些数据的统计分析，把握事物发展的客观规律，并以此预测同类事物在相同条件下的发展趋势和状态。这种方法在领导活动中，尤其是在现代化大企业的经营管理中经常应用。为了预测某一领导对象的发展进程和状态，也常常需要进行模拟实验。

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。

是根据事物的过去和现在估计未来，根据已知预测未知，从而减少对未来事物认识的不确定性，以指导我们的决策行动，减少决策的盲目性。预测学的出现不是孤立的、它是在人类社会生产力和科学技术日益发达的基础上应运而生的，它与其它的学科诸如经济学、数学、系统工程学、统计学、电子计算机技术等都有密切的关系。

预测分析理论很多是这些学科理论的应用、延伸和发展。它的方法很多是借助于其它早已成熟的学科的成果。预测分析法，据不完全统计，大约有130多种，常用的就有数十种。

水质预测方法分两大类。一类是点源污染的预测方法，其实质是水体中水质运动演化规律的研究及其演算。包括：①建立相关统计模型，例如在河流水质预测中，建立水质与河流水文要素（如流量等）的关系；又如根据上、下游水质间存在的关系（多元相关）和混合物质的平衡原理，建立水质预测模型。②求解确定性水质数学模型，是根据成因分析、演绎推理而得，反映了一定物理、化学和生物化学作用的性质。模型求解后，主要用实测资料确定模型参数，进行验证和误差分析，然后用于实际预测。

另一类是面源污染的水质预测。这类预测的实质在于研究降雨、径流冲刷所产生的污水及其成分。研究产流、产污、汇流、集污和污水进入水体后水质运动演化规律。这类课题研究难度大，处在探讨发展之中。