空間電力負荷預測方法

空間電力負荷預測也稱空間負荷預測，是指對供電區域內未來電力負荷的大小和位置的預測，或者說SLF是對指定區域內電力負荷時空分布的預測。SLF是電力系統規劃的基礎性工作之一，根據SLF的結果來確定供電設備應當配置的容量及其最佳位置，可提高電力系統建設的經濟性、高效性、可靠性。傳統負荷預測方法只預測未來負荷的大小，並不給出其較為精細的位置分布。隨著對電力系統的管理由粗放型向精益化的轉變，傳統負荷預測已不能滿足電力系統規劃的要求，所以SLF就成為熱點研究課題。

基本介紹

• 中文名：空間電力負荷預測方法
• 外文名：Space Power LoadForecasting Method
• 學科：電氣工程
• 領域：能源利用
• 套用：供電區域內空間負荷預測
• 功能：提高系統運行經濟性、可靠性

背景

電力系統規劃的基礎是空間負荷預測(spatial load forecasting ，SLF)，伴隨著近幾年電力系統在精益化管理過程中，空間電力負荷已經成為電力行業最為關注的問題。空間電力負荷預測也被稱之為空間負荷預測，主要是對於某範圍內的電力負荷數值及方位進行判斷。空間電路負荷預測是電力系統重點工作之一，按照預測結果對於某範圍內電力負荷安裝位置及容量進行確定，能夠有效提高電路系統經濟效益及穩定性能。傳統負荷預測方法主要是對未來負荷數值進行確定，但不能夠給出合理範圍設定。伴隨著電力系統精益化管理，傳統負荷預測方法已經不能夠滿足電力規劃實際需求，因此空間電力負荷預測就成為電力行業重點研究的課題。

空間負荷預測技術的發展歷程

國外自從20世紀30年代中期出現有關電力負荷分布的負荷預測的記載以來，一直稱之為小區負荷預測。直到1983年，H.L.Willis給出了空間負荷預測的定義，即在未來的供電範圍內，根據電壓水平不同，將用地按照一定原則劃分為相應大小的規則或不規則小區(每個小區又稱為一個負荷元胞，簡稱元胞)，通過對元胞負荷的歷史數據的分析，以及對元胞內土地利用的特徵和發展規律的分析，來預測每個元胞中電力用戶負荷的數量、用量和產生的時間。從此空間負荷預測一詞被廣為接受和使用。

國內關於空間負荷預測的研究起步相對較晚，最早明確使用空間負荷預測術語的文獻出現在1989年，但最近20年對空間負荷預測理論進行了越來越深入的研究，並充分發揮地理信息系統(geographic information system GIS) 平台的作用，取得了更多、更快的進展。

空間負荷預測方法分類

現有的空間負荷預測方法有幾十種之多，若按照預測原理來分類，可分為用地仿真類空間負荷預測方法、負荷密度指標法、多元變數法及趨勢類空間負荷預測方法;若根據預測過程是否可以寫出解析表達式，可分為解析類預測方法和非解析類預測方法;若從確定元胞負荷與總量負荷的先後順序來說，可分為自上而下的預測方法和自下而上的預測方法。具體分類情況如下：

（1）用地仿真類預測法：基於模糊邏輯技術的用地仿真法、基於粗糙集理論的用地仿真法、基於元胞自動機的用地仿真法、基於蟻群算法的用地仿真法基於負荷細分與SVM技術的用地仿真法、基於系統動力學與運輸模型的用地仿真法、非均勻區域法、考慮不確定性因素的用地仿真法。

（2）負荷密度指標法：

傳統方法：直觀預測法(塗色法)、分類負荷平均密度指標法

智慧型算法：基於雙層貝葉斯模型的負荷密度指標法、基於模糊理論的負荷密度指標法、基於AHP和TOPSIS的負荷密度指標法、基於ANFIS的負荷密度指標法、基於LS-S VM的負荷密度指標法。

發展曲線：基於VAI的負荷密度指標法、基於飽和密度與相對係數的負荷密度指標法、計及元胞屬性及發展時序的負荷密度指標法。

（3）多元變數預測法：基於經濟計量模型的方法

（4）趨勢類預測法：

措施：元胞負荷轉移招合法、負荷規律性分析、空區推論(或模板法)、 元胞負荷聚類分析。

外推算法：回歸分析法、指數平滑法、增長速度法、生長曲線法、灰色理論法、馬爾可夫法、灰色馬爾可夫法。

用地仿真類空間負荷預測方法

用地仿真法的基本原理

用地仿真類空間負荷預測法是通過分析土地利用的特性及發展規律，來預測土地的使用類型、地理分布和面積構成，並在此基礎上將土地使用情況轉化為空間負荷。其具體做法通常是將預測區域劃分為大小一致的格線，每個格線為一個元胞，通過分析它的空間數據及相關信息，將其空間屬性與用地需求相匹配，以評分的方式對各元胞適合於不同用地類型發展的程度進行評價。同時，結合整個預測區域的總量負荷預測結果與分類負荷密度預測結果，推導出未來年各用地類型的使用面積。根據元胞用地評分，建立用地分配模型，將分類土地使用面積分配到各元胞內，得到預測區域用地分布預測結果，結合分類負荷密度預測值，從而求出空間負荷分布，進而還可得到預測區域內匹配後的系統負荷。

綜上，用地仿真類空間負荷預測方法的實現流程可以用右圖來表示，其核心部分是用地決策，而且假設了各類用地面積和分類負荷密度是已知的。可見元胞用地評分才是用地仿真類空間負荷預測方法的關鍵所在。

實現用地仿真類SLF法的流程圖

基於模糊邏輯技術的空間負荷預測方法

傳統用地仿真法中的用地決策環節，通常依靠專家的意見來對元胞適合於每種土地使用類型的發展程度進行評分，並根據分值高低推斷各元胞未來用地面積分配情況。但這樣得到的評分結果受主觀因素影響較大，勢必導致基於用地面積分配而得到的元胞負荷預測值出現不同程度的偏差。

1996年，模糊邏輯技術首次套用於用地仿真法的元胞用地決策中，其具體做法是:首先在對元胞空間屬性分析的基礎上，確定模糊集，將元胞的空間信息模糊化;然後根據專家經驗建立模糊規則庫，使用專家指定的隸屬函式，得到模糊推理結果;最後，經過對模糊推理結果的清晰化，將模糊量轉化為清晰量，從而得出元胞用地評分。

隨著預測區域內部情況的變化，或預測區域的擴展，先前合理的模糊規則可能在一段時間後不再適用，因此模糊邏輯技術採用的模糊集和模糊規則都需要不斷地調整，為此又引入了神經網路、遺傳算法。其具體做法是:利用模糊知識庫來模擬每個用地類型的用地要求，將元胞空間屬性數據作為訓練樣本，使用神經網路和遺傳算法來調整模糊規則，訓練模糊集的參數，最終獲得元胞適用於各用地類型的發展程度。這種算法既融合了神經網路的學習能力、自適應能力，又保留了模糊系統的知識表達的靈活性和嚴謹的推理邏輯性，能夠修正規劃人員憑經驗給定的模糊規則庫(模糊規則庫能根據負荷發展而不斷地自調整)，在建立模糊規則的過程中也可以有效地減少主觀因素帶來的影響。

基於粗糙集理論的空間負荷預測方法

雖然在元胞用地決策過程中可以採用模糊邏輯技術，但是考慮到地理環境、社會條件以及經濟發展等諸多因素的影響，並且採用較高的空間解析度的時候，模糊規則將成倍增加，導致用地決策過程變得繁雜而難於實現。

為此，粗糙集理論被引入到了空間負荷預測中。通過對可能影響元胞用地決策的眾多相關屬性進行約簡，去除冗餘屬性，使得用地決策過程相對簡單，提高了空間負荷預測的效率。

把粗糙集理論和模糊邏輯技術結合起來用於空間負荷預測，便產生了一種基於模糊粗糙集理論的綜合數據挖掘方法。其具體做法是:採用粗糙集理論的信息系統循環採樣技術，通過資料庫知識獲取手段把各樣本按照自身的屬性值進行聚類，根據聚類中心對連續取值的屬性設定模糊值，根據決策屬性包含度對模糊粗糙規則進行篩選，同樣通過資料庫知識獲取手段來判斷用地類型的轉換，從而得到元胞用地類型的變化情況。

然而，基於模糊粗糙集理論的綜合數據挖掘方法在數據離散過程中，忽略了數據離散化本身所具有的不確定性，而且進行元胞用地評分時也忽略了元胞空間屬性泛化後概念的模糊性。

基於元胞自動機的空間負荷預測方法

考慮到元胞自動機在模擬空間複雜系統的時空動態演變方面具有很強的能力，有文獻將其引入用地仿真類SLF方法的用地決策過程中，提出了一種基於元胞自動機理論的SLF方法。其具體做法是：首先提出了電力負荷元胞、元胞樣區、元胞時空資料庫、樣本資料庫的概念;然後基於所提出概念制定了考慮多種相關因素的負荷元胞轉換規則和相關參數，確定出各元胞的用地情況;最後在此基礎上使用同類用地典型負荷密度推出其負荷值。雖然該方法具有可以從多個規則來描述影響電力負荷時空發展相關因素的優點，但是還需要進一步最佳化和完善其相關參數和規則。

基於蟻群算法的空間負荷預測方法

針對用地決策過程中靜態轉換規則不能適應負荷發展的局限性，有文獻則提出了基於蟻群算法的SLF方法，即在對元胞未來土地使用類型進行模擬的過程中，採用蟻群算法動態地獲取用地類型的轉換規則，評判出元胞的用地情況，並結合分類負荷密度預測值，得到最終的空間負荷分布結果。

基於SVM的空間負荷預測方法

該方法首先在待預測區域內按照等大小格線生成元胞，然後在GIS平台上提取各元胞的空間信息，並利用主成分分析法對元胞的空間信息進行處理，實現元胞屬性的簡化，形成支持向量機(SVM)的訓練樣本集，用訓練好的SVM算出元胞屬性值，最後將其與待預測區域未來的發展規劃相結合，並利用分類負荷密度得出SLF結果。

基於系統動力學的空間負荷預測方法

該方法首先基於系統論中的整體與個體的關係，利用系統動力學建模的方法對各個元胞建立統一的預測模型，通過分析實際情況來修正負荷預測模型，使個體差異性得到體現;然後利用上述預測模型所得到的預測結果生成分配因子，對總量負荷進行分配;最後建立運輸模型並對其求解，從而得到具體的負荷分布與增長情況。

考慮不確定性因素的空間負荷預測方法

傳統的用地仿真類SLF方法通常僅適用於土地利用平穩發展的情況，在土地跳躍式發展時得到的預測結果則偏差較大。所以，在預測過程中還需要考慮用地變化過程中的不確定性因素。

用地仿真類空間負荷預測方法存在的問題

1)該類方法把分類負荷用地面積和分類負荷密度當作已知條件，前者由規劃部門確定，相對容易獲得，並且該信息往往比較準確、可信，但是後者數值大小的確定卻並不容易。

2)由於該類方法在生成元胞時往往採用等大小的格線來實現，所以通常無法獲得元胞負荷的實際測量值，而只能推算出其理論負荷值，這樣就會在評估預測結果精度的時候遇到困難。

3)該類方法都含有保證元胞負荷和總量負荷的相等(要么由總量直接分配下去，要么通過不同調整手段來平衡)的環節，但若考慮到電力負荷的同時率，則元胞最大負荷之和與總量負荷最大值不相等才更為合理。

負荷密度指標法

負荷密度指標法的基本原理

如果認為規劃門制定的土地利用方案將會得以有效地執行與落實，即未來土地的使用性質基本已經明確，那么用地決策不再是突出問題。同時，過於粗陋的分類負荷的負荷密度指標給用地仿真類SLF方法帶來的不利影響卻顯得更為嚴重。為此，基於負荷密度指標的SLF方法得到了更多重視，特別是在最近5年內，已經出現了十多篇專門討論這類方法的論文。

負荷密度指標法一般先把負荷分類(如居民、商用、市政、醫療等)，然後在待預測區域內按功能小區邊界生成元胞，最後通過預測各分類負荷密度，並結合用地信息來計算每個元胞的負荷值，從而實現SLF。因該方法先對負荷分類，後給待測地塊分區(即生成元胞)，故又稱之為分類分區法。

所謂功能小區是指一片用地類型相同的地塊或街區，其中包括1個或多個負荷類型相同的電力用戶。基於其生成的元胞內只含一個類型的負荷。該類方法的核心就是在各類用地面積及其位置已知的條件下，求取分類負荷密度指標。

傳統的負荷密度指標法

傳統的負荷密度指標的求取通常採用經驗法、簡單類比法，以及粗略估算分類負荷平均密度法。這樣做在實際套用中難以滿足精度的要求。

1)直觀法。

所謂“直觀法”就是利用所蒐集和存儲的相關數據與信息，依據規劃人員的經驗和主觀判斷來確定負荷的大小及其分布。

塗色法(coloring book)是直觀法中的一個典型代表，這個古老的方法是以專家的歷史經驗為依據，主觀地估計出各元胞的負荷密度，並按照負荷密度大小，為元胞塗上與之相對應的不同顏色。

2)分類負荷平均密度指標法。

有文獻認為分析元胞負荷變化的特徵是研究該類方法的基礎，元胞內不同種類負荷的構成變化及其增長情況決定了元胞負荷的增長，元胞負荷等於計及同時率的所有構成負荷的代數和。該方法在預測過程中將所有元胞內相同性質負荷聚合成一類，通過預測分類負荷平均密度，結合市政規劃方案中的用地信息，並根據各元胞內分類負荷所占的面積，最終分別計算出各元胞的負荷值。其實質是把各個元胞的負荷預測轉化為分類負荷及其分布的預測。

基於智慧型算法的負荷密度指標法

該類方法的思路是，首先通過大量調研，蒐集並整理相關數據，對負荷進行精細分類，形成儘可能全面的負荷密度指標樣本庫，並按類確定影響負荷密度的主要因素，構建分級的負荷密度標準樣本指標集;然後在待預測區域內按照功能小區的邊界生成元胞;最後根據已經規劃好的用地信息及元胞的輸入特性，對各元胞進行正確的屬性分類，並與標準樣本指標集相對照，從而獲取各元胞的負荷密度指標。

1)基於雙層貝葉斯分類模型的負荷密度指標法。

考慮到決定負荷密度的各屬性之間並非完全獨立，傳統分類器的分類效果並不理想。利用基於樣本訓練完成的分類模型，對各元胞依據其輸入特徵進行合理分類，從而獲得其類標籤，即負荷密度指標。其實現步驟如下：

根據負荷特性對該負荷進行分類令對每一細分負荷建立分類模型令按細分負荷類型進行大量樣本數據的採集令對已經生成的樣本集根據其類標籤劃分等級令收集待預測元胞的屬性值並利用雙層貝葉斯分類模型計算其屬於各等級的機率令採用類內相似度方法進行負荷密度的修正。

該方法在實際套用中必將面臨如何收集和處理大量樣本數據的問題，因為樣本的數量、質量、分布，及其對模型的訓練效果，都會影響到其預測精度。另外還需要修正環節才能給出量化結果。

2)基於模糊理論的負荷密度指標法。

針對在求取負荷密度指標時採用經驗法或簡單類比法難以滿足精度要求的問題，有文獻把模糊理論引入到負荷密度指標的求取過程當中。其基本思路是先儘可能多地蒐集樣本數據，並且在此基礎上構建分級標準指標集(一般分為5級)；然後利用模糊理論對待測元胞的相關屬性數據進行分析評判，確定其歸屬範圍;最後對所選取的負荷密度指標進行細微調整。

3)基於AHP和TOPSIS的負荷密度指標法。

為了避免因通過經驗或簡單類比所獲得的負荷密度指標不能滿足精度要求，也為了降低在確定隸屬度函式時由主觀因素導致的不利影響，有文獻把層次分析(AHP)法和逼近理想解排序(TOPSIS)法引入到負荷密度指標的求取過程當中。其基本思路是採用AHP法確定評價指標的權重，並運用TOPSIS法對評價指標進行規範化和排序計算，對影響負荷密度指標的因素實現量化，最後使用類內相似度法修正負荷密度指標。

在實際使用AHP的過程中，由於信息不完備，當通過兩兩比較量化評價指標時，會出現不確定的主觀判斷，對此若採用點值來表述並不合適。

基於分類負荷發展曲線的負荷密度指標法

1)基於VAI的負荷密度指標法。

對於無歷史數據的新、老城區的SLF問題，有文獻提出了一種基於空區推論(VAI)的空間負荷預測分類分區實用法。其基本思路是用老城區的分類負荷總量減去有歷史負荷數據的老城區的分類負荷總量得到無歷史數據的老城區的同類負荷總量，用規劃中的整個城區的分類負荷總量減去老城區的分類負荷總量得到新城區的分類負荷總量，再結合城市用地規劃方案即可分別求出無歷史數據的新、老城區各類負荷的平均密度。其中分類負荷總量是以負荷發展曲線為基礎求取的。

2)基於飽和密度與相對係數的負荷密度指標法。

針對新開發地塊的SLF問題，有文獻提出了一種基於飽和負荷密度和負荷相對係數的負荷密度指標求取方法。其基本思想是在大量調研，蒐集並整理樣本數據的基礎上，通過對各類負荷(分為11類)發展規律的研究，估算分類負荷的飽和負荷密度，確定不同時間的分類負荷相對係數，並計及同類負荷內部同時率，結合預先按照功能小區的方式生成元胞，從而推算出元胞的負荷密度指標。

雖然該方法的思路清晰，原理簡單，但是其在實際套用中的可操作性值得討論。例如，如何判斷樣本中一些數據就是飽和負荷密度值?如何保證分類負荷相對係數的有效性?另外，同類負荷與不同類負荷的兩級同時率的確定也很困難。

關於負荷密度指標法的幾點說明

1)該類方法適用於土地性質較為明確的預測環境，對城市規劃方案的變化具有較強的適應性。

2)若基於智慧型算法，則普遍存在對樣本依賴性較強的問題，且過於強調屬性的影響，橫向比較居多，而對歷史負荷數據本身的規律性挖掘不夠。

3)每個按功能小區生成的元胞的面積和規模並不一樣，其負荷增長趨勢也存在差異，甚至差異較大，所以同類元胞使用統一的分類負荷發展曲線並不妥。另外，同類負荷內部同時率並不容易確定。

多元變數法

多元變數法的基本原理

多元變數法簡稱多變數法，它是以每個元胞的年負荷峰值歷史數據和其它多個能夠影響到該負荷峰值變化的變數為基礎，來預測目標年的元胞負荷峰值，以及相應的系統負荷峰值。

用於分析每個元胞負荷發展的相關變數有很多(介於1-60之間)，它們分別反應人口水平、氣候條件、GDP、居民消費指數、固定資產投資、產業結構等眾多因素對負荷變化的影響。多元變數法把這些相關變數作為控制數據，在此基礎上建立相應的外推模型來預測元胞未來年的負荷。

多元變數法面臨的問題

1)對數據質和量的要求都比較高。

影響元胞負荷變化的因素較多，所需使用的數據量太大;所使用的空間解析度要儘可能低(即元胞面積較大)，否則難以準確統計各種數據；不同空間解析度下的數據和變數之間也很難互動使用。

2)很難對初生元胞進行預測。

由於初生元胞內原來是空地，或者才出現電力用戶不久，無法獲得足夠的各種原始數據實現外推算法，所以很難利用本方法對初生元胞進行預測。

3)有效預測期較短。

從多元變數法的原理來看，可知對每個元胞的負荷峰值和相關變數進行綜合地趨勢外推是該方法的一個重要環節，其中預測疊代期一般取1-3年，即該方法的有效預測期就是1-3年。

總之，因為多元變數法的可操作性差，預測精度也不高，所以國內外學者對其研究相對較少，甚至有文獻指出其在20世紀80年代已被逐步淘汰。但是隨著“大數據時代”的到來，重新激活多元變數法還是大有可能的。

趨勢類SLF方法

趨勢類SLF方法的基本原理

趨勢預測法是所有基於負荷歷史數據外推負荷發展趨勢的方法總稱。例如回歸分析法、指數平滑法、灰色系統理論法、動平均法、增長速度法、馬爾可夫法、灰色馬爾可夫法、生長曲線法等。早在20世紀70年代就提出了基於曲線擬合的回歸分析的趨勢類SLF方法，該方法利用多項式對各元胞歷史負荷數據分別進行曲線擬合，通過回歸分析求解待定係數，進而求出SLF結果。

當前的趨勢類SLF方法，一般是在待測區域內按照變電站或饋線的供電範圍生成元胞，分別研究每個元胞的歷史負荷數據變化趨勢，並據此外推其規劃年的負荷值，進而得到規劃年負荷在整個待測區域內的空間分布。

該類方法簡單方便，數據需求量小，相對而言易於實現，然而，元胞負荷的非平穩增長、負荷轉移以及新生元胞的相關數據不足等情況，都會給該類方法帶來不利影響。

對不利影響因素的應對措施

1) SLF中的負荷規律性分析。

針對元胞負荷的非平穩增長，即元胞的歷史負荷曲線呈“S”型增長的問題，有文獻提出在擬合負荷發展曲線的時候，採用遠景年負荷飽和值控制技術，以確保規劃年(即預測的目標年)的元胞負荷預測值不會因為其歷史值的躍變而導致偏差過大。

2)元胞負荷轉移藕合法。

為了消除元胞間的負荷轉移給SLF帶來的不利影響，有文獻提出了負荷轉移藕合(LTC)法。LTC法採用Markov回歸法同時外推發生負荷轉移的2條饋線的歷史負荷數據，先將2條饋線的負荷曲線擬合多項式的係數矩陣合併，再引入方陣R，其特徵為:對角線元素均為1，非對角線位置上，存在負荷轉移的兩條饋線的年份處為1，其他均為0。這樣就把2條饋線在該年的負荷數據藕合在一起了，從而利用方陣R非對角線元素建立的曲線回歸等式消除負荷轉移對預測結果造成的誤差。

LTC法的優點在於不需要知道負荷轉移的方向和大小，僅需要知道發生負荷轉移的饋線名稱及年份即可。一般在實際中沒有記錄有關倒供電產生負荷轉移的量，只知道發生負荷轉移的饋線的名稱及對應時間。LTC法同樣也可用於處理3, 4條饋線間的負荷轉移問題。但LTC法僅處理幾個月甚至幾年的負荷轉移問題，並不處理日常操作(幾小時、幾天)所造成的負荷轉移。

3)元胞的空區推論方法。

針對新生元胞歷史負荷數據為空白或不充足的問題，有文獻採取了空區推論(VAI)法來解決。它的基本思路是:外推有歷史負荷區域的負荷發展趨勢，然後外推加上空白區域後的較大區域的總負荷發展趨勢，最後根據兩者之差推算出空區的負荷。

4) SLF中的聚類分析方法。

在對元胞進行歷史負荷數據曲線擬合的過程中，為了減少工作量，避免對每個元胞都進行曲線擬合，並且進一步解決空間解析度增大時，元胞負荷發展呈不平穩性的問題。

研究展望

雖然對SLF的研究已經取得了許多成果，但這些成果主要集中於預測的方法，而具體預測方法的提出和實現勢必會受到所使用的基礎數據、套用的環境與條件、預測的空間誤差及其評價標準等因素的影響和制約，所以在SLF領域仍有很大的研究空間值得去深入探索。以下幾個方面尚需開展進一步的研究工作。

1) SLF所需基礎信息和數據的最佳化整合。

SLF所需基礎信息和數據比較龐雜，來源不同，門類性質各異，但都會不同程度地決定著SLF目標的確定、預測模型的建立、預測方法的選用或提出、預測結果的精度及評判，因此必須解決如何有效整合、合理利用這些信息和數據的問題。即不但要知道SLF所需各類信息和數據有哪些，更需要明確它們之間在SLF過程中的相互匹配關係，並以此為線索來探尋怎樣合理地組織和使用它們，形成相應的最佳化整合技術，從而更好地滿足SLF的要求。

2)確定SLF所需的電力負荷空間解析度。

在SLF過程中，如何生成元胞(劃分供電小區)是一個至關重要的問題，它決定了可以對電力負荷的歷史數據或預測結果進行可信分析的最佳單位空間。對此，有文獻提出了電力負荷的空間解析度概念，並給出了最佳電力負荷空間解析度的獲取原則，這為合理地描述和刻畫空間電力負荷創造了條件，但電力負荷的多尺度空間解析度理論還面臨著幾個需解決的問題。例如，假設對相同供電區域分別採用兩個空間解析度進行分析，若兩者均按照不規則小區生成元胞，且元胞個數相同，但是大小和位置並不相同，那么如何對比這兩個空間解析度；再若兩者分別按照規則和不規則小區生成元胞，則又如何將這兩種空間解析度歸一化分析。

3)空間電力負荷規律性分析與多場景分析。

對空間電力負荷規律性的分析，就是在研究負荷自身的本質屬性，即其內在固有的東西，如果能夠把握好負荷的規律性，那么就能夠保證預測的準確性。然而，空間電力負荷的數據處理量大，隨著空間解析度的提高，系統中供電小區的數目越來越多，可謂量大面廣，各個供電小區的負荷變化規律又有其各自的特點，預測人員難以逐一深入分析其特點。所以，需進一步開展多尺度空間解析度下的電力負荷規律性研究。

對於重大的不確定性因素給SLF帶來的不利影響，則可利用多場景分析技術來解決。

4)基於多尺度空間解析度的電力負荷多級協調。

SLF的結果一般用於確定規劃方案中電力設備應配置的容量，應當給出該設備供電範圍內的最大負荷的預測值，但是該級各設備所帶負荷的最大值之和與這些設備共同的上級(或下級)設備所帶負荷的最大值之間存在同時率，即它們之間並不相等，但又存在關聯關係，因此需要在規劃不同層級電網的時候使用不同的預測值。

然而，已有的SLF方法一般只提供一個預測結果，如果將其通用地作為不同情況下形成電力系統規劃方案的唯一負荷基礎，那么最終的規劃方案顯然不會是最佳的。可見，無論採用自上而下的SLF方法，還是採用自下而上的SLF方法，都面臨著不同尺度空間解析度下的電力負荷多級協調問題。

所以，不但需要開展與不同層級電力設備供電範圍對應的空間解析度下的SLF方法，而且還需要努力揭示各尺度空間解析度下電力負荷總量之間內在的關聯關係，以多尺度空間解析度匹配原則為基礎，從時間維度和空間維度考察負荷水平，分別建立總量負荷可信度模型和元胞負荷可信度模型，最終構造出負荷的多級協調指標。

5)構建SLF結果的空間預測誤差評估體系。

在預測後的誤差評估方面，以往通常只做負荷數值大小的統計性分析，而很少顧及不同誤差空間分布的影響，因此缺乏有效的與城市電網規劃相結合的空間預測誤差評估體系。

對於SLF而言，因其預測結果中特有的二元性質(即幅值大小和空間位置)，更使得對空間預測誤差的評判增加了很大的難度，僅僅計算預測結果的相對誤差、絕對誤差、絕對誤差平均值(AAV)、絕對誤差方均根值(RMS)來評價預測效果是不夠充分的。例如，用兩種SLF方法分別對同一供電區域進行預測，即使兩個預測結果的AAV, RMS均分別相同，但是因為正負誤差出現的空間位置不同，也很可能會導致在相同位置所要求裝配的電力設備容量卻不一樣。可見，建立與SLF相應的空間預測誤差評估體系是十分必要的。

具體而言，針對如何形成SLF結果的空間誤差地圖，如何評判空間誤差會給城市電網規劃帶來多大程度的不利影響，如何將幅值和位置的二維信息合理地轉化為能兼顧二者的“一維信息”，並建立相應的評估指標等一系列問題均有待於深入探索。