电力负荷预测对于电力系统安全运行和经济生产具有重要意义。本文研究了基于机器学习和深度学习的电力负荷预测方法，并分析了各行业负荷的突变情况及“双碳”目标的影响。
地区负荷中短期预测分析：
- 短期预测：采用Prophet、RF、XGBoost、BP、DNN以及DNN-RF组合模型对短期电力负荷进行预测。实验表明，DNN-RF组合模型精度最高（MAPE为0.436%），Prophet模型效果较差（MAPE为3.102%）。未来10天电力负荷预测结果显示，DNN-RF组合模型预测效果最佳。
- 中期预测：采用RF、XGBoost、DNN以及三者的组合模型对中期电力负荷及其最值进行预测。XGBoost-RF-DNN组合模型在验证集三个月整体的误差最小（MAPE为0.718%）。DNN对负荷的最大值拟合较好（MAPE为0.737%），XGBoost对负荷的最小值拟合较好（MAPE为1.479%）。未来3个月电力负荷预测结果显示，XGBoost-DNN组合模型更符合实际情况。
行业预测分析：
- 突变分析：采用Mann-Kendal突变检验、Pettitt检验、BuishandU test以及StandardNormalHomogeneityTest (SNHT)四种方法对各个行业的负荷最值进行突变检测，并结合图像选出最明显突变点进行突变量级划分和原因探究。商业、非普工业的负荷最大值以及商业、大工业的负荷最小值存在强突变。
- 最值预测：对各行业日负荷最值的预测效果欠佳，MAPE几乎都超过了10%。可能原因是数据本身波动较大，可用有效特征不足，以及模型本身不适合做波动较大的序列预测。
“双碳”目标影响及建议：
- “双碳”目标将推动产业结构和能源结构调整，传统能源将退出主导地位，大力发展可再生能源。短期内各行业用电负荷将稳步增长，但增速将不断回落。
- 建议：推进新能源建设，构建新型电力系统，加快电气化步伐，深化电力体制改革，探索新商业模式，建立低碳电力经济评价新方法和新的电价形成机制。
模型尝试：
- CEEMDAN-SE-XGBoost：尝试了CEEMDAN分解结合样本熵的XGBoost模型，在短期和中期电力负荷预测中，拟合效果优于单一的模型和纯预测模型组合的效果。
