城市供电网络在逐步建设为智能化网络的进程中,其成本和稳定性等因素也越来越引起人们的重视:根据相关统计数据中等规模城市的用电量在290亿千瓦时/年,如果用电负荷预测的精度可以提高一个百分比,就会有上亿的收益从测试成本中节约出来,因此,不定期的供电负荷预测技术的测试速度和测试精度亟待提升。当前普遍采用的负荷预测技术由于在技术制定的一开始就对负荷的各种典型特性涉及不够全面,在此基础上来提高测试精度和速度的效果是微乎其微的,而且泛用性也经不起考验。在测试系统中风速因素具有很大的不确定性而无法与很好地加入测试技术中。使用智能算法虽然可以解决这一问题,但也同时带来了运算效率降低而导致的速度下降的问题。本文提到的基于云端技术:云计算和云模型,分别对新型的负荷预测方法进行了精度和速度的优化,并使用了仿真验证了优化的成功。本文对深入研究了气温累积效应以及通过云模型优化下的最小二乘支持状态机,又通过提取出历史负荷样本数据的细节,同时考虑到短期负荷预测的特性,对样本数据与预测方法的各个因素进行相关性计算,云计算就作为影响最大的因素用作训练样本,并将统计学中错位样本的概念引入到训练样本中,从而提高了方法的精度,仿真验证了可行性,精度也在使用了云模型优化后提高了 2%,在处理不确定性的问题上,但相对传统方法,确定性因素的处理效果有所下降。本文把供电网络的影响因素分成确定性以及不确定性两类,并把传统的预测模型和基于云计算的模型结合,云模型优化下的和粒子群优化下的最小二乘支持状态机分别针不确定性因素和确定性因素,并通过加权计算得到预测结果,综合提高了预测精度。本文将现有的模型应用在临清市的历史负载数据和气象数据,结果表明,使用云模型提高精度的同时,也带来了运行时长增加和跑飞的问题。云计算技术的引入提升了预测的速度。本篇文章给出的基于云模型的组合预测仿真证明,相对于传统负荷预测,该方法同时提高了预测速度和精度。