随着国民经济快速平稳的发展,电力系统负荷呈现逐年大幅度增长态势。然而,电能存储能力极小,且成本极高,传统粗放的电力调度模式造成了电能忙时供需不足、闲时极大浪费的问题。面对电力负荷增长的压力,建设以“互动、自愈、安全、经济、清洁、节能与高效”为特点的智能电网成为全球的共同目标。负荷预测是智能电网建设的基础环节,精准、时效的负荷预测是智能电网实现节能降耗、调度精细化管理和电网安全预警的基础。然而,在负荷预测中,由于节假日数据稀疏并且其变化规律与非假日不同,使得负荷预测方法在预测节假日负荷时预测偏差极大。因此,本文希望通过增加源城市的节假日负荷数据来解决节假日负荷数据稀疏的问题,从而改善预测效果。本文首先单纯迁移源城市的节假日数据,通过对节假日信息的丰富和新的节假日特征的提取,提高节假日的预测精度,同时避免对非节假日负荷预测性能的影响。具体工作如下:首先通过分析节假日特点以及负荷预测中使用的节假日特征,提出了一种新的节假日特征。然后,利用关联度和优化函数决定选取的源城市,将被选取的源城市节假日数据迁移到目标城市,增加目标城市的节假日数据,解决节假日数据稀疏问题。进一步,本文提出基于节假日的加权迁移学习方法,针对不同来源的节假日负荷资源数据给予不同权重,通过不同权重反应目标城市和源城市的不同训练样本对目标城市节假日负荷的关联影响程度,体现不同负荷数据信息的本质属性,从而训练得到更精准的预测模型。具体工作如下:由于源城市的负荷数据只是用来辅助预测,而目标城市的数据是以往历史的真实参考,因此这两部分数据被分配给不同的权重。目标城市负荷的权重分配是将其作为基准值设为1,而源城市负荷权重则通过计算其与目标城市特征的皮尔逊相关系数获取,然后通过局部支持向量机回归模型预测。最后,针对某些城市迁移节假日数据后出现的负迁移现象,本文用改进的TrAdaBoost算法来解决该问题。该算法能通过衡量源城市与目标城市负荷分布差异,降低源城市中分布不同数据权重,从而减轻负迁移问题。广东省十几个城市的真实负荷数据集作为案例研究,支持向量机回归模型和迁移学习方法用作对比试验,实验结果表明本文提出的方法在MAPE和MASE两个性能指标比支持向量机回归模型分别降低46.7%和27.8%。