电力负荷预测公式：
对于超短期负荷预测B(t)接近于线性(常数)
对于短期负荷预B(t)具有明显的周期性
对于中长期负荷预测B(t)具有明显增长趋势的周期性变化
气象因素：温度、湿度、风力、阴晴等
负荷因素：空调等
负荷变化：分段线性
特别事件：重大政治活动，特别电视节目等
负荷分量：通过对典型日、相似日的积累；借助于人工修正。一般为一个常量
随机分量模型V(t)
自回归模型（AR）
动平均模型（MA）
自回归动平均模型（ARMA）
累积式自回归动平均模型（ARIMA）
时间序列法、线性回归、指数平滑、人工神经元网络方法、节假日预报法、多种算法的组合算法
可以分区、分类型进行负荷预测
相似日、同类型日、连续日；工作日、双休日、节假日（可消除特殊事件的影响）
气象因素、同类型日、节假日、同星期类型、连续日
算法选择适合当地负荷特点，气象数据输入要及时、准确，注意检查样本数据 ，保证历史数据的真实性、完整性，适当人工干预
