- 文献综述（或调研报告）：
空间负荷预测（SLF）的基本步骤是将供电区域划分成规则或不规则的供电子区域，根据搜集到的历史负荷数据和各种社会经济方面的信息建立数据库；根据数据库的数据分析结果和专家经验建立预测规则并得出预测年各小区的适应性评分；将规划年负荷预测总量和分类负荷预测总量按照某种最优化方式分配到各小区。针对空间负荷预测，很多学者提出了不同的预测方案和修正方法。
肖白、周潮、穆钢等人在《空间电力负荷预测方法综述与展望》[1]中，简明的介绍了几种国内主要的空间负荷预测方法，其中包括用地仿真类 SLF 方法、负荷密度指标法、多元变量法、趋势类 SLF 方法这四种核心方法。用地仿真类SLF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。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。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。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。
虽然空间负荷预测的方法众多，但是各个方案都有各自的缺点。因此，在空间负荷预测研究大方向确定的条件下，国内的学者们开始提出改进方案，用以修正空间负荷预测的结果。
在王天华与王平洋提出了将遗传算法、模糊逻辑和运输模型运用到配电网空间负荷预测中的理论[2]。该理论中，采用自上而下的预测方法，首先将小区土地划分为工业、商业、居民区、市政和学校四类，配电网总量负荷作为已知参数。然后利用GIS平台将数字化的城市地图分为若干层，并对每个小区计算离高速公路、居民住宅、学校、商业、中心和工业区等的最小距离。对每个小区，分析各种土地使用类的现有土地使用面积，以及未来可用于发展的空地面积。接着采用模糊推理对小区评分，具体方法是设定三个论域： 离高速公路的距离 、离 市中心的距离和离学校的距离。定义三个模糊集Very Close(VC)，Close(C)和Far(F)来定义距离的远近。另外，采用五个模糊集Strongly Prefer(SP)，Moderately Prefer(MP)，NT，Moderately Against(MA)，Strongly Against(SA)来描述小区适于某土地使用类发展的程度。之后采用遗传算法训练模糊规则，在这其中需要解决的问题有；编码和解码、训练数据的来源、目标函数的确定。最后应用运输模型分配土地使用。
同时他们也提到城市的发展通常是两种方式并存：平稳发展和跳跃发展[3]。平稳发展主要是由于经济的持续增长、人口的缓慢增长和生活水平的不断提高等因素引起的，而跳跃式发展通常是由外部的刺激和大项目的新建所引起。这些大项目一旦实施，对空间负荷分布的影响很大，必须予以考虑。另外，由于城市发展是一个发展和改造并存的过程，在空间负荷预测中还要考虑城市改造的不确定性。该文章对影响空间负荷预测的不确定性因素进行了详细的分析和归类，并对传统的SLF模型进行了改造，使之能够处理城市跳跃式发展和城市改造等特殊情况。针对跳跃式发展模型提出了“事件中心”的概念，并将空间负荷预测分解为基础分布和事件分布的叠加；针对大事件出现时间和位置的不确定性，提出了多方案预测法；针对城市改造模型，提出了小区改造准则，改进了用地最优分配模型，从而解决了城市改造中的不确定性问题。
陶文斌、张粒子等人提出采用分类模型进行空间负荷预测的方法[4]。由于决定负荷密度的各属性之间并非完全独立，传统分类器分类效果并不理想。为此，该文采用双层贝叶斯分类模型，该模型是朴素贝叶斯分类模型的扩展， 通过选取关键属性将单一属性集划分为强属性集和弱属性集，弱化了各属性间相互独立的假设，提高了对样本分类的正确性。 给出了构建和训练该模型的方法，在正确分类的基础上，文中采用类内相似度方法进行负荷密度的修正。实践和算例证明，该文模型和算法适合进行空间负荷预测。
而在熊浩与李卫国等人在研究了前人的方法后提出一种新的空间负荷预测理论[5]，该理论基于模糊粗糙集理论的信息系统循环采样方法，运用事件中心的概念将地理信息条件属性统一为事件子集，并根据事件子集的不同组合建立预测树，采用循环采样方法修正预测树中的信息系统，提取不同时空情况下事件中心与负荷密度之间的模糊规则，预测多阶段负荷的分布情况，最后运用数据库知识获取(KDD)技术获取小区特性与小区用地改造可能性之间的模糊规则，从而判断小区用地类型的变化情况。该方案的模糊粗糙集推理规则是将按照《空间负荷预测中不确定性因素的处理方法》中的思想，多方案下的 SLF 系统可表示为一棵预测树。树的同层的每个节点对应的信息表，同父节点的子节点之间的差别考虑了预测年事件发生与否的综合情况。针对任意一个节点，采用该期刊内提出的循环采样方法将样本作为论域对象，将影响小区负荷密度的事件作为条件属性索引，将小区的负荷密度作为决策属性，形成一张完备的信息表，然后选取三角形隶属函数，并采用 KDD 技术确定模糊集的个数、设置模糊集隶属函数的参数，最后根据一定的公式对模糊集规则进行提取。
现有负荷密度指标的求取方法通常采用经验法或简单类比法,难以满足精度要求。符杨，朱兰，曹家麟等人引入模糊贴近度理论分类求取负荷密度指标[6],采用加权海明贴近度 算式计算不同等级标准样本及待测区对低水平样本的贴近度,获得负荷密度指标体系划分 阂值,并给出待测区参考负荷密度指标值。该方法构建合理,概念清晰,计算简便,实用性较强。
面对空间负荷预测的不足，不仅国内学者们积极修正传统方案，外国学者们也着手于空间负荷预测方案的改进。
外国研究者Edgar Manuel Carreno所著的《A Cellular Automaton Approach to Spatial Electric Load Forecasting》中提出了一种利用简化的数据集进行空间电力负荷预测的方法[7]。该方法利用元胞自动机模型对服务区新负荷进行时空分配。每个单元的每个主要消费类的电力负载密度都被用作当前状态，并建立了一系列的更新规则来模拟s增长行为和类之间的互补性。该方法最重要的特点是性能好，数据少，算法简单，可用于未来的可扩展性。该方法在一个中等城市的真实系统中进行测试，显示出良好的性能。结果显示在未来的偏好图中。
