BP_Adaboost模型即把BP神经网络作为弱分类器，反复训练BP神经网络预测样本输出，通过Adaboost算法得到多个BP神经网络弱分类器组成的强分类器。第6章 PID神经元网络解耦控制算法——多变量系统控制54根据PID神经元网络控制器原理，在MATLAB中编程实现PID神经元网络控制多变量耦合系统。
负荷成因分析：预测不能孤立于数学方法，需从电力系统角度分析负荷发展规律，以了解影响因素及其发展规律，进而指导算法选择与应用。考虑因素：长期负荷预测主要考虑GDP和人口等宏观经济指标，而短期负荷预测则关注温度、湿度、天气类型、节假日等因素，预测方法应结合实际，特别是天气影响、峰谷电价和负荷构成。
狭义的负荷预测（正常运行情况下的负荷）是制定发电计划的前提；广义的负荷预测（极端气象灾害影响下的负荷）是电网安全预警必不可少的环节；负荷预测的方法有很多，并不好归纳，主要有以下几种，主要是针对狭义负荷预测的：1）时序法；2）相似日法；3）气象因素拟合法；4）序列分析法。
负荷预测是电力系统运行和调度的关键环节，正确地进行负荷预测对于保障电网安全稳定运行、优化调度和经济运行具有重要意义。常用的负荷预测方法包括统计学方法、人工神经网络方法和时间序列方法。
电力负荷预测方法主要分为传统经典预测和现代新兴预测两大类别。经典预测法包括趋势外推法，这种方法基于负荷变化趋势，如农业用电在冬季的稳定日用电量，通过分析趋势的线性或非线性、周期性或非周期性特征进行预测。
时间序列法时间序列法是一种最为常见的短期负荷预测方法，它是针对整个观测序列呈现出的某种随机过程的特性，去建立和估计产生实际序列的随机过程的模型，然后用这些模型去进行预测。
电力系统负荷预测是根据电力负荷、经济、社会、气象等得历史数据，探索电力负荷历史数据变化规律对未来负荷的影响，寻求电力负荷与各种相关因素之间的内在联系，从而对未来的电力负荷进行科学的预测。在电力进入市场化运行后，其实质是对电力市场需求的预测。
前者侧重电力系统整体稳定，后者则对售电公司的用户行为预测至关重要。短期负荷预测，特别是用户级别的，由于受天气、社会活动等因素影响，预测难度大，但准确性直接影响电调度和报价策略。
1、统计学方法主要依靠历史数据的统计特征来预测未来负荷，通过分析历史负荷数据的周期性、趋势性、季节性等特征，建立相应的数学模型进行预测。人工神经网络方法则是通过人工神经网络对历史数据进行训练，从而学习到数据之间的内在联系，并利用学习到的知识进行负荷预测。
2、时间序列预测法是一种基于历史数据预测未来负荷的方法。该方法通过收集并分析过去的电力负荷数据，找出数据间的关联性和规律，然后建立相应的数学模型，利用这一模型预测未来的电力负荷。时间序列预测法的优点在于简单易行，对数据的要求相对较低。
3、时间序列法时间序列法是一种最为常见的短期负荷预测方法，它是针对整个观测序列呈现出的某种随机过程的特性，去建立和估计产生实际序列的随机过程的模型，然后用这些模型去进行预测。