1.2区域负荷的模拟和预测
理论上说，通过智能电表的普及和低压网络监控系统的建设，配电网运行机构能够获得接近实时的数据，但是详细量测所需的成本、数据的不可量测性以及用户的隐私权等问题使得对所有负荷点进行直接量测是不现实的，数据最终只能以汇总和匿名的方式提供给配电网运行机构。文献［8］提出了一种集成智能电表数据的配电网运行模式（见图1），在此框架下进行区域负荷分配（LA）和预测。首先，文章提出了基于变压器所带最大负荷量测数据（采样间隔为15min）的LA方法，与基于日电量（kWh），月电量（kWh）以及变压器容量（kVA）等LA方法相比，该方法更为准确。其次，该文在改进了传统LA方法的基础上构建了一个区域负荷预测模型，在没有单个负荷点量测数据的条件下，该模型可利用配变站下属数据汇总点的量测信息来对配变站下属所有负荷点的负荷大小进行预测。研究结果表明，如果智能电表数据采样间隔过大，预测曲线就无法体现负荷的微小变化，并且负荷峰值略有降低，这在含有分布式发电的配电网络中尤为明显。
图1智能电表数据与配电网运行的集成模式
法国配电公司（ERDF）针对区域用电需求预测研发出一种基于自下而上方法的新工具，能够在很短的时间内模拟出成千上万个用户的用电情况，以此来预测本地用电需求。此方法原理见图2，通过给定的一组配电网用户量测数据和负荷曲线模拟结果进行需求评估，其中负荷曲线是通过电网的静态参数、设备运行仿真结果和电能计算结果3部分模拟得到。
图2电力负荷曲线模拟方法示意图
在未来的配电网中，需求响应和需求侧管理会越来越普及，因此负荷将越来越难以预测，而利用合适的概率模型模拟风险是应对未来电网越来越多不确定因素的有效途径。挪威TUT公司为此提出了一种负荷预测概率模型，根据每小时/每季度的电量数据绘制一年的期望负荷变化曲线，并给出描述此期望曲线正态方差的统计分布函数。文献［11］提出了另一个基于概率模型的有趣案例，基于城市居民住房面积与用电的特殊关系，通过利用意大利Vodafone通信网络公司提供的手机流量数据来构建负荷概率模型，无需掌握电网具体情况即可预测米兰A2A地区一个实际网络的负荷需求。
1.3居民负荷的模拟和预测
居民负荷在欧洲配电网负荷中占比达60%以上，因此欧洲配电网的规划与管理工作很大程度要受到居民负荷的模拟和预测方法的影响，对这些方法通常要求准确、灵活，能够反映实际居民负荷的重要特征，但同时又必须在计算成本上是可行的。文献［12］介绍了一种根据居民每日耗电量估算家庭住户每小时用电负荷曲线的方法，通过找到家用负荷曲线特性和高斯分布参数之间的关联，无需详细的住户统计数据即可生成每小时的负荷曲线；通过合并某地区内一定数量的同种住户类型的负荷曲线，就可进一步得到区域负荷曲线。
文献［13］比较了两种居民负荷建模方法，一种是以现场测量值为依据的所谓“自上而下”模型，另一种是以每个住户中家用电器的电能使用情况为依据的所谓“自下而上”模型；前者用于生成MV/LV配变的负荷模型，后者用于生成居民负荷模型（自下而上确定居民负荷的Markov链模型见图3）。两种模型具有相似的精度。自上而下模型计算速度较快，对于大多数研究可以提供令人满意的结果，而自下而上模型则更加适用于需要进行详细场景评估的研究场合。
图3自下而上确定居民负荷的Markov链模型
