为了能够安全和经济地向用户提供高质量的电能，电力公司在电力系统的运行、规划和控制过程中面临着许多经济和技术问题。为了达到对大规模电力系统进行优化规划和运行的目的，采用现代系统理论和优化技术以期能够大量节省成本。为实现这一目标，未来电力系统负荷的知识是第一个先决条件，因此长期和短期负荷预测是非常重要的课题。
    对于长期和中期电力负荷预测而言，其预测周期可能是一个月或一年[1] ，而对于短期电力负荷预测而言，预测周期是1日或几小时[2-7] 。长期和中期电力负荷预测用于确定发电容量、输电网或配电网系统条件、输电网规划中所需要的设备类型，以及年度水火电检修计划等。短期电力负荷预测用于电力系统控制和调度，同时也是负荷潮流研究和事故分析中的输入变量。
    在文献[8]中提出了负荷预测模型的几种分类。一些不使用天气信息负荷模型通过时间序列来描述[2-4]。其他负荷模型则考虑了天气变量对电力系统负荷的影响[5-7]。前者是基于外推法，并且，负荷特性由傅立叶级数或是时间函数的趋势曲线来描述[2]。最近，状态变量模型[3]和自回归移动平均（ ARMA模型） 模型[4]被用来描述负荷特性。对于考虑了天气因素的负荷模型，总负荷被分解成的天气敏感型负荷和非天气敏感型负荷[5-7]。天气敏感型负荷主要使用相关性技术进行预测，非天气敏感型负荷则由上述方法建模。每个负荷分量都单独预测，其和为总负荷的预测值。

还有一种负荷预测办法，该方法不需要建立具体的负荷模型，但试图从专家系统的角度出发找到历史负荷数据与干球温度之间的规律[9]。这种方法的目的是使用有经验的系统运行人员知识、经验和类比思维。最近，作者开发出一种新的自适应方法，该方法能在没有天气变量的帮助下识别反映随机特性的负荷模型[10]。他们把负荷模型分解成三个组成部分：标准负荷，剩余负荷，以及类型负载。模型的参数适应于负荷的变化。

人工神经网络（ANN）的一个最具前景的应用领域是预测。有些作者试图采用反向学习算法[11]来训练神经网络以用于预测时间序列。在实际中，这一想法的应用可以Werbos的工作中找到[12]。在其工作中，他将反向传播算法应用到了天然气市场模型中。也有反对意见[13]认为反向传播算法的预测能力不如简单线性回归。然而，最近美国国家自然科学基金会举办研讨会以强调神经网络在电力系统工程中的重要性，并且，与会作者们展示了在可接受的预测精度下人工神经网络可成功地应用于短期负荷预测[14]。