文献综述（或调研报告）：
一、引言
随着智能电网的建设和发展，电力行业已经步入大数据时代。大数据虽然从数据的组织到存储、传输、查询、分析等带来了一系列的压力，但同时也带给智能电网的建设带来了机遇与挑战。年，发表在《自然》的文献提出：数据规模越大、处理难度越大，不过倘若能够有效地组织和使用大数据，对其进行科学的挖掘，产生的价值可能更大，人类将有更多的机会去发挥科学技术对社会发展的巨大推动作用作为重要的基础设施信息，电力大数据的变化态势从某种程度上决定了整个国民经济的发展走向。因此，通过良好的数据管理，并运用数据挖掘手段践行大数据战略，有助于提高电力生产、营销以及电网运维等各方面的生产管理水平。电力负荷是由工业用电、农业用电、城乡居民用电、商业用电、市政用电及其他用电负荷构成。一般而言，电力负荷变化受众多不稳定因素的制约，而且这些因素具有一定的地域性和时段性，不同的因素对电力负荷变化规律的影响程度互不相同，使得电力负荷呈非平衡的随机变化过程。在固有用户负荷特性日益复杂化的同时，分时电价策略的执行和新能源装置、可入网电动汽车、储能装置等外部应用系统的接入进一步加大了负荷变化的随机性、不确定性和复杂性。在负荷预测工作中，存在诸多不确定性的影响因素，而大数据的核心就是分析与预测。因此，研究利用大数据的优势发展逐时分区的负荷预测是提高预测精度的重要途径，具有极大的现实意义。
二、关于SVM预测模型
支持向量机( SVM) 方法是基于结构风险最小化原则, SVM 可以尽量提高学习机的泛化能力, 即使是由有限训练样本得到的解, 在求解问题时仍能得到较小的误差。此外 SVM 算法是一个凸二次优化问题, 能够保证找到的极值解就是全局最优解, 上述特点使 SVM 方法成为一种优秀的学习算法。SVM 最初是用来解决模式识别问题用其分类算法实现较好的泛化功能,随着 Vapnik 的 ε不敏感损失函数的引入, SVM 已经扩展到解决非线性回归问题。
现在有关SVM算法的研究已经相当多，国内外有各式算法，并将其应用到负荷预测、光伏出力预测各方面，用其来建立有效的模型。
三、关于不良数据的检测
电力系统量测数据通常可看作有效的量测数据和量测噪声的线性组合，通常情况下量测噪声为白噪声，通过一定的技术处理手段一般可消除白噪声对电力系统状态估计结果的影响。但当量测数据中包含不良数据（指偏离实际量测数据变化轨迹较远的数据，也称粗差）时，这些不良数据对电力系统状态估计结果的影响是不容忽视的。不良数据的检测和辨识方法主要有两大类：
1、估计后检测和辨识：完成状态估计后得到量测量残差，对量测量残差进行适当处理（残差加权处理、残差标准化等），设定阈值，通过假设检验检测出是否存在残差，并利用残差搜索完成对不良数据的辨识。
2、估计前检测和辨识：通过对量测值进行预测获得量测残差，根据量测残差之间的相关关系检测和辨识出不良数据。
