研究背景与问题
电力系统负荷预测对未来电网规划与调度至关重要，短期预测支持电网内部运营，中期预测为电网运营与检修提供支持。然而，气象条件、社会事件及负荷结构多元化等因素增加了预测难度。
数据清洗与预处理
对所给数据进行清洗，包括去除重复值、处理缺失值（使用KNN插补）和异常值（去除2018年9月前数据，并对平常日数据进行箱线图异常值检测与KNN插补）。对负荷数据进行平滑处理以消除停电和跳高影响，并进行标准化处理。
负荷特性分析与特征工程
通过分析发现，日负荷数据具有96个时点，且相邻日和延迟七天的负荷数据具有周期性，节假日负荷数据异常明显，温度与负荷数据相关性高。基于回归模型筛选特征，剔除了风力风向因素。
模型建立与评估
构建了基于RBF神经网络的短期负荷预测模型，采用遗传算法确定最优参数。中期预测模型考虑温度累积效应，同样使用RBF神经网络。评估指标包括TAPE、FA、RMSE和MAE。
地区负荷预测分析
短期预测模型（RBF）对10天间隔15分钟负荷预测结果TAPE为0.79%，FA为99.21%。中期预测模型对3个月日最大和最小负荷预测准确率分别为97.3%和98.76%。
行业负荷预测分析
使用启发式分割算法检测突变点，发现突变点可分为节假日、季节性和重大事件三类。基于RBF神经网络的中期预测模型在各行业均表现良好，其中大工业、非普工业、普通工业和商业的预测准确率分别为4.4356%、7.436%、2.436%和7.436%。
结论与建议
地区负荷存在季节性、节假日、温度高相关性和高温留存效应规律。行业负荷数据中，大工业用电负荷受节假日、季节性和突发事件影响，普通工业对高温敏感，非普工业受季节性和突发事件影响，商业用电受突发事件影响较大。针对“双碳”目标和新冠疫情，建议大工业用电行业调整产业用电结构，推动节能减排技术创新；普通工业合理控制用电负荷，优化用电效率；非普工业关注碳排放权交易和碳税政策；商业用电关注疫情防控和电网调整信息。
