[科普中国]-空间电力负荷预测方法

背景

电力系统规划的基础是空间负荷预测(spatial load forecasting ，SLF)，伴随着近几年电力系统在精益化管理过程中，空间电力负荷已经成为电力行业最为关注的问题。空间电力负荷预测也被称之为空间负荷预测，主要是对于某范围内的电力负荷数值及方位进行判断。空间电路负荷预测是电力系统重点工作之一，按照预测结果对于某范围内电力负荷安装位置及容量进行确定，能够有效提高电路系统经济效益及稳定性能。传统负荷预测方法主要是对未来负荷数值进行确定，但不能够给出合理范围设定。伴随着电力系统精益化管理，传统负荷预测方法已经不能够满足电力规划实际需求，因此空间电力负荷预测就成为电力行业重点研究的课题1。

空间负荷预测技术的发展历程国外自从20世纪30年代中期出现有关电力负荷分布的负荷预测的记载以来，一直称之为小区负荷预测。直到1983年，H.L.Willis给出了空间负荷预测2的定义，即在未来的供电范围内，根据电压水平不同，将用地按照一定原则划分为相应大小的规则或不规则小区(每个小区又称为一个负荷元胞，简称元胞)，通过对元胞负荷的历史数据的分析，以及对元胞内土地利用的特征和发展规律的分析，来预测每个元胞中电力用户负荷的数量、用量和产生的时间。从此空间负荷预测一词被广为接受和使用。

国内关于空间负荷预测的研究起步相对较晚，最早明确使用空间负荷预测术语的文献出现在1989年，但最近20年对空间负荷预测理论进行了越来越深入的研究，并充分发挥地理信息系统(geographic information system GIS) 平台的作用，取得了更多、更快的进展。

空间负荷预测方法分类现有的空间负荷预测方法有几十种之多，若按照预测原理来分类，可分为用地仿真类空间负荷预测方法、负荷密度指标法、多元变量法及趋势类空间负荷预测方法;若根据预测过程是否可以写出解析表达式，可分为解析类预测方法和非解析类预测方法;若从确定元胞负荷与总量负荷的先后顺序来说，可分为自上而下的预测方法和自下而上的预测方法。具体分类情况如下：

（1）用地仿真类预测法：基于模糊逻辑技术的用地仿真法、基于粗糙集理论的用地仿真法、基于元胞自动机的用地仿真法、基于蚁群算法的用地仿真法基于负荷细分与SVM技术的用地仿真法、基于系统动力学与运输模型的用地仿真法、非均匀区域法、考虑不确定性因素的用地仿真法。

（2）负荷密度指标法：

传统方法：直观预测法(涂色法)、分类负荷平均密度指标法

智能算法：基于双层贝叶斯模型的负荷密度指标法、基于模糊理论的负荷密度指标法、基于AHP和TOPSIS的负荷密度指标法、基于ANFIS的负荷密度指标法、基于LS-S VM的负荷密度指标法。

发展曲线：基于VAI的负荷密度指标法、基于饱和密度与相对系数的负荷密度指标法、计及元胞属性及发展时序的负荷密度指标法。

（3）多元变量预测法：基于经济计量模型的方法

（4）趋势类预测法：

措施：元胞负荷转移招合法、负荷规律性分析、空区推论(或模板法)、 元胞负荷聚类分析。

外推算法：回归分析法、指数平滑法、增长速度法、生长曲线法、灰色理论法、马尔可夫法、灰色马尔可夫法。

用地仿真类空间负荷预测方法用地仿真法的基本原理用地仿真类空间负荷预测法是通过分析土地利用的特性及发展规律，来预测土地的使用类型、地理分布和面积构成，并在此基础上将土地使用情况转化为空间负荷。其具体做法通常是将预测区域划分为大小一致的网格，每个网格为一个元胞，通过分析它的空间数据及相关信息，将其空间属性与用地需求相匹配，以评分的方式对各元胞适合于不同用地类型发展的程度进行评价。同时，结合整个预测区域的总量负荷预测结果与分类负荷密度预测结果，推导出未来年各用地类型的使用面积。根据元胞用地评分，建立用地分配模型，将分类土地使用面积分配到各元胞内，得到预测区域用地分布预测结果，结合分类负荷密度预测值，从而求出空间负荷分布，进而还可得到预测区域内匹配后的系统负荷3。

综上，用地仿真类空间负荷预测方法的实现流程可以用右图来表示，其核心部分是用地决策，而且假设了各类用地面积和分类负荷密度是已知的。可见元胞用地评分才是用地仿真类空间负荷预测方法的关键所在。

基于模糊逻辑技术的空间负荷预测方法传统用地仿真法中的用地决策环节，通常依靠专家的意见来对元胞适合于每种土地使用类型的发展程度进行评分，并根据分值高低推断各元胞未来用地面积分配情况。但这样得到的评分结果受主观因素影响较大，势必导致基于用地面积分配而得到的元胞负荷预测值出现不同程度的偏差。

1996年，模糊逻辑技术首次应用于用地仿真法的元胞用地决策中，其具体做法是:首先在对元胞空间属性分析的基础上，确定模糊集，将元胞的空间信息模糊化;然后根据专家经验建立模糊规则库，使用专家指定的隶属函数，得到模糊推理结果;最后，经过对模糊推理结果的清晰化，将模糊量转化为清晰量，从而得出元胞用地评分。

随着预测区域内部情况的变化，或预测区域的扩展，先前合理的模糊规则可能在一段时间后不再适用，因此模糊逻辑技术采用的模糊集和模糊规则都需要不断地调整，为此又引入了神经网络、遗传算法4。其具体做法是:利用模糊知识库来模拟每个用地类型的用地要求，将元胞空间属性数据作为训练样本，使用神经网络和遗传算法来调整模糊规则，训练模糊集的参数，最终获得元胞适用于各用地类型的发展程度。这种算法既融合了神经网络的学习能力、自适应能力，又保留了模糊系统的知识表达的灵活性和严谨的推理逻辑性，能够修正规划人员凭经验给定的模糊规则库(模糊规则库能根据负荷发展而不断地自调整)，在建立模糊规则的过程中也可以有效地减少主观因素带来的影响。

基于粗糙集理论的空间负荷预测方法虽然在元胞用地决策过程中可以采用模糊逻辑技术，但是考虑到地理环境、社会条件以及经济发展等诸多因素的影响，并且采用较高的空间分辨率的时候，模糊规则将成倍增加，导致用地决策过程变得繁杂而难于实现。

为此，粗糙集理论被引入到了空间负荷预测中。通过对可能影响元胞用地决策的众多相关属性进行约简，去除冗余属性，使得用地决策过程相对简单，提高了空间负荷预测的效率。

把粗糙集理论和模糊逻辑技术结合起来用于空间负荷预测，便产生了一种基于模糊粗糙集理论的综合数据挖掘方法。其具体做法是:采用粗糙集理论的信息系统循环采样技术，通过数据库知识获取手段把各样本按照自身的属性值进行聚类，根据聚类中心对连续取值的属性设定模糊值，根据决策属性包含度对模糊粗糙规则进行筛选，同样通过数据库知识获取手段来判断用地类型的转换，从而得到元胞用地类型的变化情况5。

然而，基于模糊粗糙集理论的综合数据挖掘方法在数据离散过程中，忽略了数据离散化本身所具有的不确定性，而且进行元胞用地评分时也忽略了元胞空间属性泛化后概念的模糊性。

基于元胞自动机的空间负荷预测方法考虑到元胞自动机在模拟空间复杂系统的时空动态演变方面具有很强的能力，有文献将其引入用地仿真类SLF方法的用地决策过程中，提出了一种基于元胞自动机理论的SLF方法。其具体做法是：首先提出了电力负荷元胞、元胞样区、元胞时空数据库、样本数据库的概念;然后基于所提出概念制定了考虑多种相关因素的负荷元胞转换规则和相关参数，确定出各元胞的用地情况;最后在此基础上使用同类用地典型负荷密度推出其负荷值。虽然该方法具有可以从多个规则来描述影响电力负荷时空发展相关因素的优点，但是还需要进一步优化和完善其相关参数和规则。

基于蚁群算法的空间负荷预测方法针对用地决策过程中静态转换规则不能适应负荷发展的局限性，有文献则提出了基于蚁群算法的SLF方法，即在对元胞未来土地使用类型进行模拟的过程中，采用蚁群算法动态地获取用地类型的转换规则，评判出元胞的用地情况，并结合分类负荷密度预测值，得到最终的空间负荷分布结果。

基于SVM的空间负荷预测方法该方法首先在待预测区域内按照等大小网格生成元胞，然后在GIS平台上提取各元胞的空间信息，并利用主成分分析法对元胞的空间信息进行处理，实现元胞属性的简化，形成支持向量机(SVM)的训练样本集，用训练好的SVM算出元胞属性值，最后将其与待预测区域未来的发展规划相结合，并利用分类负荷密度得出SLF结果6。

基于系统动力学的空间负荷预测方法该方法首先基于系统论中的整体与个体的关系，利用系统动力学建模的方法对各个元胞建立统一的预测模型，通过分析实际情况来修正负荷预测模型，使个体差异性得到体现;然后利用上述预测模型所得到的预测结果生成分配因子，对总量负荷进行分配;最后建立运输模型并对其求解，从而得到具体的负荷分布与增长情况。

考虑不确定性因素的空间负荷预测方法传统的用地仿真类SLF方法通常仅适用于土地利用平稳发展的情况，在土地跳跃式发展时得到的预测结果则偏差较大。所以，在预测过程中还需要考虑用地变化过程中的不确定性因素。

用地仿真类空间负荷预测方法存在的问题1)该类方法把分类负荷用地面积和分类负荷密度当作已知条件，前者由规划部门确定，相对容易获得，并且该信息往往比较准确、可信，但是后者数值大小的确定却并不容易。

2)由于该类方法在生成元胞时往往采用等大小的网格来实现，所以通常无法获得元胞负荷的实际测量值，而只能推算出其理论负荷值，这样就会在评估预测结果精度的时候遇到困难。

3)该类方法都含有保证元胞负荷和总量负荷的相等(要么由总量直接分配下去，要么通过不同调整手段来平衡)的环节，但若考虑到电力负荷的同时率，则元胞最大负荷之和与总量负荷最大值不相等才更为合理。

负荷密度指标法负荷密度指标法的基本原理如果认为规划门制定的土地利用方案将会得以有效地执行与落实，即未来土地的使用性质基本已经明确，那么用地决策不再是突出问题。同时，过于粗陋的分类负荷的负荷密度指标给用地仿真类SLF方法带来的不利影响却显得更为严重。为此，基于负荷密度指标的SLF方法得到了更多重视，特别是在最近5年内，已经出现了十多篇专门讨论这类方法的论文7。

负荷密度指标法一般先把负荷分类(如居民、商用、市政、医疗等)，然后在待预测区域内按功能小区边界生成元胞，最后通过预测各分类负荷密度，并结合用地信息来计算每个元胞的负荷值，从而实现SLF。因该方法先对负荷分类，后给待测地块分区(即生成元胞)，故又称之为分类分区法。

所谓功能小区是指一片用地类型相同的地块或街区，其中包括1个或多个负荷类型相同的电力用户。基于其生成的元胞内只含一个类型的负荷。该类方法的核心就是在各类用地面积及其位置已知的条件下，求取分类负荷密度指标。

传统的负荷密度指标法传统的负荷密度指标的求取通常采用经验法、简单类比法，以及粗略估算分类负荷平均密度法。这样做在实际应用中难以满足精度的要求。

1)直观法。

所谓“直观法”就是利用所搜集和存储的相关数据与信息，依据规划人员的经验和主观判断来确定负荷的大小及其分布。

涂色法(coloring book)是直观法中的一个典型代表，这个古老的方法是以专家的历史经验为依据，主观地估计出各元胞的负荷密度，并按照负荷密度大小，为元胞涂上与之相对应的不同颜色。

2)分类负荷平均密度指标法。

有文献认为分析元胞负荷变化的特征是研究该类方法的基础，元胞内不同种类负荷的构成变化及其增长情况决定了元胞负荷的增长，元胞负荷等于计及同时率的所有构成负荷的代数和。该方法在预测过程中将所有元胞内相同性质负荷聚合成一类，通过预测分类负荷平均密度，结合市政规划方案中的用地信息，并根据各元胞内分类负荷所占的面积，最终分别计算出各元胞的负荷值。其实质是把各个元胞的负荷预测转化为分类负荷及其分布的预测。

基于智能算法的负荷密度指标法该类方法的思路是，首先通过大量调研，搜集并整理相关数据，对负荷进行精细分类，形成尽可能全面的负荷密度指标样本库，并按类确定影响负荷密度的主要因素，构建分级的负荷密度标准样本指标集;然后在待预测区域内按照功能小区的边界生成元胞;最后根据已经规划好的用地信息及元胞的输入特性，对各元胞进行正确的属性分类，并与标准样本指标集相对照，从而获取各元胞的负荷密度指标。

1)基于双层贝叶斯分类模型的负荷密度指标法。

考虑到决定负荷密度的各属性之间并非完全独立，传统分类器的分类效果并不理想。利用基于样本训练完成的分类模型，对各元胞依据其输入特征进行合理分类，从而获得其类标签，即负荷密度指标。其实现步骤如下：

根据负荷特性对该负荷进行分类令对每一细分负荷建立分类模型令按细分负荷类型进行大量样本数据的采集令对已经生成的样本集根据其类标签划分等级令收集待预测元胞的属性值并利用双层贝叶斯分类模型计算其属于各等级的概率令采用类内相似度方法进行负荷密度的修正。

该方法在实际应用中必将面临如何收集和处理大量样本数据的问题，因为样本的数量、质量、分布，及其对模型的训练效果，都会影响到其预测精度。另外还需要修正环节才能给出量化结果。

2)基于模糊理论的负荷密度指标法。

针对在求取负荷密度指标时采用经验法或简单类比法难以满足精度要求的问题，有文献把模糊理论引入到负荷密度指标的求取过程当中。其基本思路是先尽可能多地搜集样本数据，并且在此基础上构建分级标准指标集(一般分为5级)；然后利用模糊理论对待测元胞的相关属性数据进行分析评判，确定其归属范围;最后对所选取的负荷密度指标进行细微调整。

3)基于AHP和TOPSIS的负荷密度指标法。

为了避免因通过经验或简单类比所获得的负荷密度指标不能满足精度要求，也为了降低在确定隶属度函数时由主观因素导致的不利影响，有文献把层次分析(AHP)法和逼近理想解排序(TOPSIS)法引入到负荷密度指标的求取过程当中。其基本思路是采用AHP法确定评价指标的权重，并运用TOPSIS法对评价指标进行规范化和排序计算，对影响负荷密度指标的因素实现量化，最后使用类内相似度法修正负荷密度指标。

在实际使用AHP的过程中，由于信息不完备，当通过两两比较量化评价指标时，会出现不确定的主观判断，对此若采用点值来表述并不合适。

基于分类负荷发展曲线的负荷密度指标法1)基于VAI的负荷密度指标法。

对于无历史数据的新、老城区的SLF问题，有文献提出了一种基于空区推论(VAI)的空间负荷预测分类分区实用法。其基本思路是用老城区的分类负荷总量减去有历史负荷数据的老城区的分类负荷总量得到无历史数据的老城区的同类负荷总量，用规划中的整个城区的分类负荷总量减去老城区的分类负荷总量得到新城区的分类负荷总量，再结合城市用地规划方案即可分别求出无历史数据的新、老城区各类负荷的平均密度。其中分类负荷总量是以负荷发展曲线为基础求取的。

2)基于饱和密度与相对系数的负荷密度指标法。

针对新开发地块的SLF问题，有文献提出了一种基于饱和负荷密度和负荷相对系数的负荷密度指标求取方法。其基本思想是在大量调研，搜集并整理样本数据的基础上，通过对各类负荷(分为11类)发展规律的研究，估算分类负荷的饱和负荷密度，确定不同时间的分类负荷相对系数，并计及同类负荷内部同时率，结合预先按照功能小区的方式生成元胞，从而推算出元胞的负荷密度指标。

虽然该方法的思路清晰，原理简单，但是其在实际应用中的可操作性值得讨论。例如，如何判断样本中一些数据就是饱和负荷密度值?如何保证分类负荷相对系数的有效性?另外，同类负荷与不同类负荷的两级同时率的确定也很困难。

关于负荷密度指标法的几点说明1)该类方法适用于土地性质较为明确的预测环境，对城市规划方案的变化具有较强的适应性。

2)若基于智能算法，则普遍存在对样本依赖性较强的问题，且过于强调属性的影响，横向比较居多，而对历史负荷数据本身的规律性挖掘不够。

3)每个按功能小区生成的元胞的面积和规模并不一样，其负荷增长趋势也存在差异，甚至差异较大，所以同类元胞使用统一的分类负荷发展曲线并不妥。另外，同类负荷内部同时率并不容易确定。

多元变量法多元变量法的基本原理多元变量法简称多变量法，它是以每个元胞的年负荷峰值历史数据和其它多个能够影响到该负荷峰值变化的变量为基础，来预测目标年的元胞负荷峰值，以及相应的系统负荷峰值1。

用于分析每个元胞负荷发展的相关变量有很多(介于1-60之间)，它们分别反应人口水平、气候条件、GDP、居民消费指数、固定资产投资、产业结构等众多因素对负荷变化的影响。多元变量法把这些相关变量作为控制数据，在此基础上建立相应的外推模型来预测元胞未来年的负荷。

多元变量法面临的问题1)对数据质和量的要求都比较高。

影响元胞负荷变化的因素较多，所需使用的数据量太大;所使用的空间分辨率要尽可能低(即元胞面积较大)，否则难以准确统计各种数据；不同空间分辨率下的数据和变量之间也很难交互使用。

2)很难对初生元胞进行预测。

由于初生元胞内原来是空地，或者才出现电力用户不久，无法获得足够的各种原始数据实现外推算法，所以很难利用本方法对初生元胞进行预测。

3)有效预测期较短。

从多元变量法的原理来看，可知对每个元胞的负荷峰值和相关变量进行综合地趋势外推是该方法的一个重要环节，其中预测迭代期一般取1-3年，即该方法的有效预测期就是1-3年。

总之，因为多元变量法的可操作性差，预测精度也不高，所以国内外学者对其研究相对较少，甚至有文献指出其在20世纪80年代已被逐步淘汰。但是随着“大数据时代”的到来，重新激活多元变量法还是大有可能的。

趋势类SLF方法趋势类SLF方法的基本原理趋势预测法是所有基于负荷历史数据外推负荷发展趋势的方法总称。例如回归分析法、指数平滑法、灰色系统理论法、动平均法、增长速度法、马尔可夫法、灰色马尔可夫法、生长曲线法等。早在20世纪70年代就提出了基于曲线拟合的回归分析的趋势类SLF方法，该方法利用多项式对各元胞历史负荷数据分别进行曲线拟合，通过回归分析求解待定系数，进而求出SLF结果。

当前的趋势类SLF方法，一般是在待测区域内按照变电站或馈线的供电范围生成元胞，分别研究每个元胞的历史负荷数据变化趋势，并据此外推其规划年的负荷值，进而得到规划年负荷在整个待测区域内的空间分布。

该类方法简单方便，数据需求量小，相对而言易于实现，然而，元胞负荷的非平稳增长、负荷转移以及新生元胞的相关数据不足等情况，都会给该类方法带来不利影响。

对不利影响因素的应对措施1) SLF中的负荷规律性分析。

针对元胞负荷的非平稳增长，即元胞的历史负荷曲线呈“S”型增长的问题，有文献提出在拟合负荷发展曲线的时候，采用远景年负荷饱和值控制技术，以确保规划年(即预测的目标年)的元胞负荷预测值不会因为其历史值的跃变而导致偏差过大。

2)元胞负荷转移藕合法。

为了消除元胞间的负荷转移给SLF带来的不利影响，有文献提出了负荷转移藕合(LTC)法。LTC法采用Markov回归法同时外推发生负荷转移的2条馈线的历史负荷数据，先将2条馈线的负荷曲线拟合多项式的系数矩阵合并，再引入方阵R，其特征为:对角线元素均为1，非对角线位置上，存在负荷转移的两条馈线的年份处为1，其他均为0。这样就把2条馈线在该年的负荷数据藕合在一起了，从而利用方阵R非对角线元素建立的曲线回归等式消除负荷转移对预测结果造成的误差。

LTC法的优点在于不需要知道负荷转移的方向和大小，仅需要知道发生负荷转移的馈线名称及年份即可。一般在实际中没有记录有关倒供电产生负荷转移的量，只知道发生负荷转移的馈线的名称及对应时间。LTC法同样也可用于处理3, 4条馈线间的负荷转移问题。但LTC法仅处理几个月甚至几年的负荷转移问题，并不处理日常操作(几小时、几天)所造成的负荷转移。

3)元胞的空区推论方法。

针对新生元胞历史负荷数据为空白或不充足的问题，有文献采取了空区推论(VAI)法来解决。它的基本思路是:外推有历史负荷区域的负荷发展趋势，然后外推加上空白区域后的较大区域的总负荷发展趋势，最后根据两者之差推算出空区的负荷。

4) SLF中的聚类分析方法。

在对元胞进行历史负荷数据曲线拟合的过程中，为了减少工作量，避免对每个元胞都进行曲线拟合，并且进一步解决空间分辨率增大时，元胞负荷发展呈不平稳性的问题。

研究展望虽然对SLF的研究已经取得了许多成果，但这些成果主要集中于预测的方法，而具体预测方法的提出和实现势必会受到所使用的基础数据、应用的环境与条件、预测的空间误差及其评价标准等因素的影响和制约，所以在SLF领域仍有很大的研究空间值得去深入探索。以下几个方面尚需开展进一步的研究工作1。

1) SLF所需基础信息和数据的优化整合。

SLF所需基础信息和数据比较庞杂，来源不同，门类性质各异，但都会不同程度地决定着SLF目标的确定、预测模型的建立、预测方法的选用或提出、预测结果的精度及评判，因此必须解决如何有效整合、合理利用这些信息和数据的问题。即不但要知道SLF所需各类信息和数据有哪些，更需要明确它们之间在SLF过程中的相互匹配关系，并以此为线索来探寻怎样合理地组织和使用它们，形成相应的优化整合技术，从而更好地满足SLF的要求。

2)确定SLF所需的电力负荷空间分辨率。

在SLF过程中，如何生成元胞(划分供电小区)是一个至关重要的问题，它决定了可以对电力负荷的历史数据或预测结果进行可信分析的最佳单位空间。对此，有文献提出了电力负荷的空间分辨率概念，并给出了最佳电力负荷空间分辨率的获取原则，这为合理地描述和刻画空间电力负荷创造了条件，但电力负荷的多尺度空间分辨率理论还面临着几个需解决的问题。例如，假设对相同供电区域分别采用两个空间分辨率进行分析，若两者均按照不规则小区生成元胞，且元胞个数相同，但是大小和位置并不相同，那么如何对比这两个空间分辨率；再若两者分别按照规则和不规则小区生成元胞，则又如何将这两种空间分辨率归一化分析。

3)空间电力负荷规律性分析与多场景分析。

对空间电力负荷规律性的分析，就是在研究负荷自身的本质属性，即其内在固有的东西，如果能够把握好负荷的规律性，那么就能够保证预测的准确性。然而，空间电力负荷的数据处理量大，随着空间分辨率的提高，系统中供电小区的数目越来越多，可谓量大面广，各个供电小区的负荷变化规律又有其各自的特点，预测人员难以逐一深入分析其特点。所以，需进一步开展多尺度空间分辨率下的电力负荷规律性研究。

对于重大的不确定性因素给SLF带来的不利影响，则可利用多场景分析技术来解决。

4)基于多尺度空间分辨率的电力负荷多级协调。

SLF的结果一般用于确定规划方案中电力设备应配置的容量，应当给出该设备供电范围内的最大负荷的预测值，但是该级各设备所带负荷的最大值之和与这些设备共同的上级(或下级)设备所带负荷的最大值之间存在同时率，即它们之间并不相等，但又存在关联关系，因此需要在规划不同层级电网的时候使用不同的预测值。

然而，已有的SLF方法一般只提供一个预测结果，如果将其通用地作为不同情况下形成电力系统规划方案的唯一负荷基础，那么最终的规划方案显然不会是最佳的。可见，无论采用自上而下的SLF方法，还是采用自下而上的SLF方法，都面临着不同尺度空间分辨率下的电力负荷多级协调问题。

所以，不但需要开展与不同层级电力设备供电范围对应的空间分辨率下的SLF方法，而且还需要努力揭示各尺度空间分辨率下电力负荷总量之间内在的关联关系，以多尺度空间分辨率匹配原则为基础，从时间维度和空间维度考察负荷水平，分别建立总量负荷可信度模型和元胞负荷可信度模型，最终构造出负荷的多级协调指标。

5)构建SLF结果的空间预测误差评估体系。

在预测后的误差评估方面，以往通常只做负荷数值大小的统计性分析，而很少顾及不同误差空间分布的影响，因此缺乏有效的与城市电网规划相结合的空间预测误差评估体系。

对于SLF而言，因其预测结果中特有的二元性质(即幅值大小和空间位置)，更使得对空间预测误差的评判增加了很大的难度，仅仅计算预测结果的相对误差、绝对误差、绝对误差平均值(AAV)、绝对误差方均根值(RMS)来评价预测效果是不够充分的。例如，用两种SLF方法分别对同一供电区域进行预测，即使两个预测结果的AAV, RMS均分别相同，但是因为正负误差出现的空间位置不同，也很可能会导致在相同位置所要求装配的电力设备容量却不一样。可见，建立与SLF相应的空间预测误差评估体系是十分必要的。

具体而言，针对如何形成SLF结果的空间误差地图，如何评判空间误差会给城市电网规划带来多大程度的不利影响，如何将幅值和位置的二维信息合理地转化为能兼顾二者的“一维信息”，并建立相应的评估指标等一系列问题均有待于深入探索。