電力負荷預測分為經典預測方法和現代預測方法。 趨勢外推法
就是根據負荷的變化趨勢對未來負荷情況作出預測。電力負荷雖然具有隨機性和不確定性，但在壹定條件下，仍存在著明顯的變化趨勢，例如農業用電，在氣候條件變化較小的冬季，日用電量相對穩定，表現為較平穩的變化趨勢。這種變化趨勢可為線性或非線性，周期性或非周期性等等。
時間序列法
時間序列法是壹種最為常見的短期負荷預測方法，它是針對整個觀測序列呈現出的某種隨機過程的特性，去建立和估計產生實際序列的隨機過程的模型，然後用這些模型去進行預測。它利用了電力負荷變動的慣性特征和時間上的延續性，通過對歷史數據時間序列的分析處理，確定其基本特征和變化規律，預測未來負荷。
時間序列預測方法可分為確定型和隨機性兩類，確定型時間序列作為模型殘差用於估計預測區間的大小。隨機型時間序列預測模型可以看作壹個線性濾波器。根據線性濾波器的特性，時間序列可劃為自回歸(AR)、動平均(MA)、自回歸-動平均(ARMA)、累計式自回歸-動平均(ARIMA)、傳遞函數(TF)幾類模型，其負荷預測過程壹般分為模型識別、模型參數估計、模型檢驗、負荷預測、精度檢驗預測值修正5個階段。
回歸分析法
回歸分析法就是根據負荷過去的歷史資料，建立可以分析的數學模型，對未來的負荷進行預測。利用數理統計中的回歸分析方法，通過對變量的觀測數據進行分析，確定變量之間的相互關系，從而實現預測。 20世紀80年代後期，壹些基於新興學科理論的現代預測方法逐漸得到了成功應用。這其中主要有灰色數學理論、專家系統方法、神經網絡理論、模糊預測理論等。
灰色數學理論
灰色數學理論是把負荷序列看作壹真實的系統輸出，它是眾多影響因子的綜合作用結果。這些眾多因子的未知性和不確定性，成為系統的灰色特性。灰色系統理論把負荷序列通過生成變換，使其變化為有規律的生成數列再建模，用於負荷預測。
專家系統方法
專家系統方法是對於數據庫裏存放的過去幾年的負荷數據和天氣數據等進行細致的分析，匯集有經驗的負荷預測人員的知識，提取有關規則。借助專家系統，負荷預測人員能識別預測日所屬的類型，考慮天氣因素對負荷預測的影響，按照壹定的推理進行負荷預測。
神經網絡理論
神經網絡理論是利用神經網絡的學習功能，讓計算機學習包含在歷史負荷數據中的映射關系，再利用這種映射關系預測未來負荷。由於該方法具有很強的魯棒性、記憶能力、非線性映射能力以及強大的自學習能力，因此有很大的應用市場，但其缺點是學習收斂速度慢，可能收斂到局部最小點；並且知識表達困難，難以充分利用調度人員經驗中存在的模糊知識。
模糊負荷預測
模糊負荷預測是近幾年比較熱門的研究方向。
模糊控制是在所采用的控制方法上應用了模糊數學理論，使其進行確定性的工作，對壹些無法構造數學模型的被控過程進行有效控制。模糊系統不管其是如何進行計算的，從輸入輸出的角度講它是壹個非線性函數。模糊系統對於任意壹個非線性連續函數，就是找出壹類隸屬函數，壹種推理規則，壹個解模糊方法，使得設計出的模糊系統能夠任意逼近這個非線性函數。 (1)表格查尋法：
表格法是壹種相對簡單明了的算法。這個方法的基本思想是從已知輸入--輸出數據對中產生模糊規則，形成壹個模糊規則庫，最終的模糊邏輯系統將從組合模糊規則庫中產生。
這是壹種簡單易行的易於理解的算法，因為它是個順序生成過程，無需反復學習，因此，這個方法同樣具有模糊系統優於神經網絡系統的壹大優點，即構造起來既簡單又快速。
(2)基於神經網絡集成的高木-關野模糊預測算法：
它是利用神經網絡來求得條件部輸入變量的聯合隸屬函數。結論部的函數f(X)也可以用神經網絡來表示。神經網絡均采用前向型的BP網絡。
(3)改進的模糊神經網絡模型的算法：
模糊神經網絡即全局逼近器。模糊系統與神經網絡似乎有著天然的聯系，模糊神經網絡在本質上是模糊系統的實現，就是將常規的神經網絡(如前向反饋神經網絡，HoPfield神經網絡)賦予模糊輸入信號和模糊權。
對於復雜的系統建模，已經有了許多方法，並已取得良好的應用效果。但主要缺點是模型精度不高，訓練時間太長。此種方法的模型物理意義明顯，精度高，收斂快，屬於改進型算法。
(4)反向傳播學習算法：
模糊邏輯系統應用主要在於它能夠作為非線性系統的模型，包括含有人工操作員的非線性系統的模型。因此，從函數逼近意義上考慮，研究模糊邏輯系統的非線性映射能力顯得非常重要。函數逼近就是模糊邏輯系統可以在任意精度上，壹致逼近任何定義在壹個致密集上的非線性函數，其優勢在於它有能夠系統而有效地利用語言信息的能力。萬能逼近定理表明壹定存在這樣壹個可以在任意精度逼近任意給定函數的高斯型模糊邏輯系統。反向傳播BP學習算法用來確定高斯型模糊邏輯系統的參數，經過辨識的模型能夠很好的逼近真實系統，進而達到提高預測精度的目的。