文献综述（或调研报告）：
随着可再生能源的利用和开发，传统的化石能源、风、光、热、电等能源独立开发，相互割裂的状态已经无法满足现有的能源需要，同时用户的用能需求也越来越多样化，在这样的背景下，能源互联网概念应运而生，并由此衍生出综合负荷预测的问题。本文首先介绍了能源互联网的概念，根据现有文献提出了两种用能负荷预测的思路，然后从数据收集、预处理和建模三个步骤以电力负荷为重点阐述了负荷预测的一般过程。分位数回归作为我们将要用到的数学工具也在文中进行了介绍。
- 能源互联网简介
一般而言，能源互联网指的是以电力系统为核心，以互联网技术以及其他的ICT (Information and Communication Technology)为基础，以分布式可再生能源为主要的一次能源，并且与天然气网络、交通网络的该系统紧密耦合而形成的复杂多网络系统。能源互联网的主导是电力系统，它解决是由于能源之间规划的独立性，缺乏一定的协调，导致能源的利用率不高，功能系统的安全性和稳定性不高的问题。这种技术脱胎于互联网技术，强调利用云计算、大数据等技术来实现能源的实时响应、广泛分布和即插即用等一系列特性。[1]能源互联网的核心部件是能源路由器，在文献[2]中，描述了能源互联网的架构，并指出了能源路由器的四大功能。
- 用户用能预测的基本思路
- 单独预测
单独预测的基本思路是将不同的负荷需求分开考虑，依次预测之后进行整合优化。在数据的收集阶段，对负荷进行单独的统计，例如文献[3]对热负荷统计方法进行了专门的研究，根据负荷类别的不同提出了调研统计法和指标估算法两种方法进行热负荷统计。在算法上各种不同负荷使用的算法也会大体一致，只是在数据的选择上反映相应负荷的季节性特点，以保证预测的连续性。[4]
现有的大多数的冷热电联供系统的负荷预测都是采用的这种方法。文献[4]采用支持向量机的方法进行负荷预测求解，并采用遗传算法对结果进行进一步优化处理。文献[5]以冷热电负荷与温度湿度等天气因素的时间序列组合成多变量的时间序列，采用卡尔曼滤波的方法对冷热电负荷进行预测，预测精度与传统的时间序列法相比有明显的提高。文献[6]则是采用工程性的估算方法，统计建筑物内用能的途径，将负荷分为室外气象参数相关的能耗和室内气象参数无关的能耗。进而分为供暖、照明、办公设备、电梯等一系列的能耗，根据建筑标准为各个能耗设定合理的指标值，以此来推断建筑物的耗能。文献[7]采用Spark-DBN方法将用户的用电、用燃气、用热和用冷情况聚类,其结果与神经网络、支持向量机等等方法相比的预测精度控制得更好，但是只适用于预测单个家庭负荷或者是某一种特定负荷以定制个性化的用能策略的方法。
这种方法的特点是直接方便，思路清晰，但是同时它也忽略了冷热电负荷的耦合性。
- 综合预测
综合预测的思路在于寻找不同种类负荷的联系，通过一定的负荷关联度指标来达到统一预测的方法。这种方法更加符合能源使用的实际情况，体现了能源的互补性，与综合能源系统的优化更贴合，但是思路较为复杂，在这方面目前的研究比较有限。文献[8]先提出了一系列的负荷特性评价指标，并通过对冷热电负荷随机波动值的研究，发现冷、电负荷之间具有较强的关联性，表明冷、电负荷具有较强的可预测性，同时具有综合需求侧响应的潜力。
- 用户用能需求的基本步骤
一般而言，一个完整的用能预测的过程分为收集和整理数据、数据预处理、建模预测三个步骤：
- 收集和整理数据
这里主要包括电力数据和非电力数据，电力数据的采集在现阶段主要依靠由远程终端设备（RTU：Remote Terminal Unit）和同步向量测量单元（PMU：Phasor Measurement Unit）组成的广域测量系统（WAMS：Wide Area Measurement System）[9]，但是随着智能电网概念逐渐普及，由智能电表（SM：Smart Meter）组成的高级量测体系（AMI：Advanced Metering Infrastructure）逐渐成为电力数据收集的主流手段。[10]
