负荷预测技术主要包括以下几种：
时间序列分析
基于历史数据的预测方法，通过分析过去一段时间内的负荷数据，建立数学模型来预测未来负荷情况。常见的时间序列分析方法包括ARIMA、SARIMA等。
回归分析
通过建立预测值和影响因子之间的关系来进行预测。回归分析法是一种广泛应用的定量预测方法。
机器学习方法
包括支持向量机（SVM）、随机森林（Random Forest）、神经网络等。这些方法通过从大量历史负荷数据中学习，能够捕捉非线性关系，提高预测的准确性。
深度学习
如循环神经网络（RNN）和长短期记忆网络（LSTM），在电力负荷预测中也表现出良好的性能。
统计模型
包括时间序列分析和回归分析等方法，通过拟合和分析历史负荷数据，建立负荷与时间或其他因素的关系模型。
专家系统预测技术
利用专家知识和经验来进行负荷预测。
神经网络预测技术
通过模拟人脑神经元之间的连接和传输来进行计算，建立负荷与影响因素之间的非线性关系模型。
优选组合预测技术
结合多种预测方法，通过优化算法来提高预测的准确性和稳定性。
其他方法
包括等增长率法、最大负荷利用小时数法、大电力用户法、负荷密度指标法等。
这些方法可以单独使用，也可以结合使用，以提高负荷预测的准确性和可靠性。在选择合适的预测方法时，需要考虑数据的性质、预测的时间范围以及系统的具体需求。