电力负荷预测是指研究和使用一套数学方法，可以根据历史负荷数据和当前情况合理管理历史和未来的负荷，用于预测未来一段时间某个特定时间点的负荷。为提高准确性，电力负荷预测应当将当前电力系统的运行特点、电力负荷特点、自然条件环境变化因素和社会事件影响因素的情况纳入考虑。
　　电力负荷可分为多种不同类型，包括居民用电负荷、工业企业用电负荷、商业途径用电负荷等。每一种用电负荷都具有其特点，受各种原因影响的程度和方式有所不一。本论文研究的是以钢铁企业用电负荷为主的冲击性工业负荷短期预测技术，而且冲击性电力负荷占所在地区总体负荷的比重较大。
　　对于本文所研究的地区而言，其电网总量的负荷偏低且70％以上为波动大的钢厂冲击性负荷，负荷曲线显示出一个不规则的锯齿波，振幅波动巨大。仅考虑调度自动化系统(EMS)的历史负荷数据所获得的预测精度是不够准确的。负荷变动的幅度大小与系统容量相比数值较高时，负荷变动会导致系统频率的振荡幅度很大和电压的急剧变化，很容易导致电力系统受到损害。总的来说，以钢铁企业用电负荷为主要成分的冲击性电力负荷短期预测的难点可以归纳为:
　　(1)传统负荷预测方法无法满足精度要求
　　(2)大型钢铁企业负荷波动大，呈现随机性
　　(3)负荷变化受多种因素影响
　　(4)负荷预测实时性要求越来越高
　　为了提升负荷预测的准确率，考虑从原始负荷数据、影响因子、数学模型和预测算法这几个方面着手。本文研究的主要思路是通过寻找适当的方法对原始负荷数据进行预处理，在负荷影响因素选取方面和通过改进预测算法流程来提高负荷预测的准确性。主要工作如下:
　　1.分析所研究的钢铁冲击电力负荷区域的负荷变化特性。不同区域的电力负荷变化特性也是不同的。为了更好地建立一个适合当地电力负荷变化的模型，第一步是分析该地区的负荷变动特性。
　　2.预处理原始负荷数据，一方面，原始数据通常的收集来源是实时系统。因为动态数据采集有时可能会造成信道故障、堵塞不通等，另一方面是由于冲击性负荷曲线波动性较高、毛刺多，负荷规律性被严重破坏。因此，负荷数据预处理在负荷预测中就显得十分重要。钢铁冲击负荷地区的电力负荷与一般区域的电力负荷特点不同，本文提出了负荷预处理的一个新方法。该方法首先把波动大毛刺多的负荷信号当作是一个噪音信号，根据噪声信号和正常信号在小波变换下不同的传播特性来识别异常情况并且修正错误数据。一方面，它可以准确地把异常的数据识别出来;从另外的方面来说，这个方法可以在平整日负荷曲线的基础上很好的还原负荷曲线的变化情况。
　　3.建立模型，先进行负荷特性的综合分析，根据深度学习的基本原理与模型结构，对比RNN与LSTM对处理时间序列问题的适应性。建立行之有效的负荷预测模型以进一步提高负荷预测的准确率。
　　4.实例分析，并且评估模型的可行性，本文通过仿真对建立的负荷预测模型进行验证，并将其与现有负荷预测方法包括神经网络算法、支持向量机算法的结论进行对比。以平均相对误差为标准，验证了模型对钢铁冲击负荷接入母线预测的有效性，同时也验证了原始负荷经小波去噪后预测模型准确率可以得到进一步的提升。