下一日24小时电力负荷的预报。它是
电力系统调度赖以安排日调度计划，决定开停机计划、经济分配负荷及安排旋转备用容量的基础。日负荷曲线预测的精确性直接影响电力系统运行的经济效益。而短期负荷预测应用中较为成功的
人工神经网络方法ANN(artific ial neural network),在很大程度上取决于训练样本以及输入变量的合理选取，它关系到算法的收敛性、计算速度以及预测的精度。通过对长春地区日负荷数据与日气象数据的基础分析，提出了选用多时段气象数据以及日类型作为相似日判别要素，并运用灰色关联理论，计算出预测日和诸多历史日的关联度，来确定ANN的训练样本，从而建立起适应性较强的日电量的预测模型。然后由日电量预测的结果，采用96点的波形系数，求出日各点的负荷预报值，
对下一日24小时
电力负荷的预报。它是
电力系统调度赖以安排日调度计划，决定开停机计划、经济分配负荷及安排旋转备用容量的基础。日负荷曲线预测的精确性直接影响
电力系统运行的经济效益。
电力系统负荷曲线的变化规律表现为一个非平稳的随机过程。如果以 1小时为间隔对它进行离散化的测量，则可得到一个随机的时间序列。由于人们的生产及生活安排等社会因素及自然季节性的影响，使负荷曲线的变化呈现出一定的周期性。从不同的时间观察，可认为负荷曲线的变化具有一天、一周、一月以至一年的变化周期。日负荷曲线的预测应充分利用这种变化周期性的特点。
日负荷曲线的预测方法主要有多重相关算法、
时间序列法和谐波分解法。但这几种方法都没有计及气象条件的影响，而负荷与气象条件有密切的关系。更精确的负荷预测必须考虑气象因素，建立气象负荷模型或根据气象条件对负荷模型进行必要的修正，从而获得比较切合实际的日负荷曲线预测。
多重相关算法 从负荷样本数据（即负荷曲线的历史数据）找出电力系统负荷在各个周期的相关性，构造多个预测模型，一般为一阶线性模型。由各个模型得到的预测值及其方差再进行最优组合，得到一个
加权平均值。根据线性估计理论,权重应与各自的方差成反比,加权平均值的方差的倒数等于各个方
差倒数之和。节假日则需特殊考虑，舍去相应的一个模型的预测值。
时间序列法 把负荷的样本数据按时间顺序组成序列。根据此序列的自相关函数和偏自相关函数的截尾性能来建立自回归模型、滑动平均模型或
自回归滑动平均模型。在预测方法上可采用条件期望预测、平衡线性最小方差预测或新息法自适应预测等。