电力系统中各类电力负荷随时间变化的曲线。是调度电力系统的电力和进行电力系统规划的依据。电力系统的负荷涉及广大地区的各类用户，每个用户的用电情况很不相同，且事先无法确知在什么时间、什么地点、增加哪一类负荷。因此，电力系统的负荷变化带有随机性。人们用负荷曲线记述负荷随时间变化的情况，并据此研究负荷变化的规律性。

反映一段时间内负荷随时间而变化的规律用负荷曲线来描述；按负荷种类分，分有功功率负荷曲线和无功功率负荷曲线；按时间长短分，分为日负荷曲线和年负荷曲线；按计量地点分，分为个别用户、电力线路、变电所、发电厂乃至整个系统的负荷曲线；将上述三种特征相组合，就确定了某一种特定的负荷曲线；电力系统有功功率日负荷曲线是制订各发电厂负荷计划的依据，这对掌握电力系统运行很有用。

电表采用大容量内卡（2M字节）保存负荷曲线，最多可以保存16184条负荷曲线记录。每条负荷曲线可记录6类数据，负荷曲线保存的时刻与电表时钟同步，保存数据的时刻是根据设置的6类数据记录间隔与电表的时钟的关系确定的，保存数据的间隔最小为1分钟。如设置的6类数据记录间隔分别为T1、T2、T3、T4、T5、T6，电表的当前时间为HH:MM，只要（60*HH+MM）能被T1、T2、T3、T4、T5、T6整除，就把6类数据全部保存。共可以保存16184*Tmin 分钟的负荷曲线数据，Tmin=Min(T1、T2、T3、T4、T5、T6)，Min表示在这6个时间间隔中最小那一个。6类数据时间间隔均为30分钟时，可存储337天的负荷曲线数据。

负荷曲线的横坐标是时间，纵坐标一般是有功功率，因此通常的负荷曲线是有功功率负荷曲线 （图1上的曲线P）。然而负荷从电力系统中取用的不仅是有功功率，同时还取用无功功率。电力系统的调度不仅调度发电机的有功功率，有时还要调度发电机、同步调相机及电容器等的无功功率，因此还有一个无功功率的负荷曲线（图1上的曲线Q）。

负荷曲线中的最大值称为最大负荷(Pmax)，最小值称为最小负荷(Pmin)。这两个数据是分析电力系统负荷特性的重要数据。由负荷曲线也可以计算出用户消耗电能的多少。一天中负荷消耗的电量(千瓦小时)，即日负荷曲线P下面的这一块面积（图1）。

一日（月、年）内的平均负荷与最大负荷之比称为日（月、年）负荷系数。平均负荷是指某一时期（日、月、年）内的负荷功率的平均值。负荷系数是小于 1的数值。各类负荷的负荷系数也不相同。有色金属冶炼、钢铁、化工、造纸等连续生产的产业，负荷系数均在90%以上,纺织、 机械制造等产业的负荷系数约为60%。 不同地区在不同季节负荷系数也有变动,约为70～80%。

在电力系统的设计、规划中除了需要使用日负荷曲线外，还需要编制年最大负荷曲线和年持续负荷曲线。

年最大负荷曲线

年最大负荷曲线表示从年初到年末逐日(或旬或月)的电力系统综合最大负荷的变化情况 （图2）。可用它来安排全年的机组检修计划。如果一年四季中每季取一个典型的日负荷曲线，由年最大负荷曲线也可以计算出全年需要的电量。由预测的逐年的年最大负荷曲线可以有计划地安排扩建或新建发电厂来满足负荷增长的需要。

年持续负荷曲线

年持续负荷曲线是以电力系统全年负荷的大小及其持续运行小时数的顺序排列作出的曲线 （图3）。曲线中的A1点反映了一年内负荷超过P1的累积时间共有t1小时。可用它来编制电力系统的发电计划并进行可靠性计算。根据年持续负荷曲线也可以计算出全年负荷消耗的电量。

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。日负荷曲线的变化是有规律的，例如同年同月中各日曲线形状接近，不同年份相同月份的典型日负荷曲线形状相似日负荷率V}口最小负荷率U等特征参数可以反映曲线的特点与形状，并且均与社会用电结构、各部门分用电制有着密切的关系例如系统中第二产业比重大，则VU值较高，反之则VU值低根据这一特点，并考虑到我国力部门对历史资料的积累情况，本文提出了一种新的日负荷曲线预测方法该方法将预测过程分解为两步，第1步基于用电结构分析进行特征参数预测，第2步以特征参数及基准负荷曲线为依据进行曲线预测。本文据此建立了物理意义明确、表达方式简捷的数学模型，并针对问题的特点，提出了快速有效的算法该方法已应用于东北电网负荷预测软件，取得了良好的效果。

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。