负荷预测是电力系统规划、运行、调度的基础性工作,科学合理的电力负荷预测能够为电力系统短期调度以及长期规划提供有力的决策支持。准确的电力负荷预测结果,有助于调度安排开停机计划、机组最优组合、最优潮流,确保电网的安全经济运行。负荷预测结果也对电网年度检修计划、投资建设规划、中期运行和用电营销等提供需求依据。同时,随着电网规模的扩大和电力系统自动化水平的提高,电力系统产生的数据达到了大数据的级别,这为基于大数据技术的精准负荷预测提供了数据基础和实践依据。本文考虑电力负荷易受地区的经济结构、气象条件、节假日等因素的影响,因此,从多因子与负荷的关联影响的角度研究负荷预测技术。对于负荷预测的数学模型,首先,文章基于泰州地区的负荷历史数据,分析影响负荷的主导因素:日类型、温度和湿度,并给出在上述变量影响下的负荷变化趋势。其次,结合贝叶斯网络体现因果联系和马尔可夫模型描述时序概率传递的特点,提出了以日类型、温度和湿度为影响因子、同时计及时序变化特征的动态贝叶斯负荷预测模型,对模型进行了详细的理论推导。供电台区集中反映地区的负荷特性,其负荷预测结果有助于配变负载率控制和增容项目规划。为了实现以台区为单位的精准负荷预测,需要基于台区配变年历史数据和日类型、温湿度外部数据。概率图算法以台区为单位,计算在不同时刻的负荷区间分布。而考虑到台区的数量以及历史负荷、气象等数据的规模,用于台区精准负荷预测的概率图模型规模大、类型多、结构复杂。因此,进一步研究了基于分布式图计算方法实现大规模台区负荷的快速预测。本文设计了分布式图计算平台架构,自底向上分为数据存储层、分布式计算层和图数据应用层,在上述平台的支撑下,研究动态贝叶斯网络模型在大数据图计算平台上的实现技术。首先,对空数据、异常数据和重复数据,采用MapReduce并行计算方式进行修正,并对整个样本数据进行质量检查。同时,采用等距划分方式,并行的实现负荷、日类型和温湿度数据的状态划分。其次,对配变进行K-均值聚类,以负荷特性相近的配变数据代替单一配变数据,以扩大样本量。再次,将负荷、日类型、温湿度数据导入图数据库,建立图数据的存储结构。最后,分别以矩阵计算和图边路径检索的方式并行地计算概率图的参数,在此基础上,根据前向-后向算法,利用集群的分布式并行计算能力,得出了区域内所有配变的预测值。实验结果表明图计算的效率显著高于矩阵计算,验证了分布式图计算方式的可行性。