With the significant increase in the proportion of volatile new energy in the power system in recent years, the difficulty of system scheduling has increased. Accurate load forecasting is an important prerequisite for flexible scheduling. The load itself is a highly regular object that is relatively easy to predict. However, steep changes in load can cause significant deviations in load forecasting. In response to this issue, this article first selects input variables that can help the model identify steep changes in load based on Pearson correlation coefficient and the proposed "Steep change impact rate". Then, Conv2D-Gate Recurrent Unit (Conv2D-GRU) model is built to fully extract steep changes information from inputs and achieve day-ahead load forecasting. Naive persistence, Auto regressive (AR), Gradient boosting decision trees (GBDT), Convolutional neural network (CNN), Long short-term memory (LSTM) and Gate recurrent unit (GRU) are used for comparison. Compared to Naive persistence, the Conv2D-GRU-SC resulted in a decrease of 54.08% in Mean absolute error (MAE), a decrease of 57.58% in Root mean square error (RMSE) and an increase of 51.31% in the R-Square (R2).

With the promotion of low-carbon models, the proportion of wind power energy has significantly increased. Accurate wind power forecasting is of great significance for the scheduling of power systems. Previous studies often focused on improving forecasting accuracy, neglecting the issue of model failure (abnormally large forecast error occurring). However, forecasting model failure brings significant misleading information to the scheduling of the power system. To address this issue, this paper firstly analyzes the error distribution of prediction models under various neural networks (CNN, CNN-GRU, DNN, ConvLSTM, ELM, GBDT, AR, TREE and XGBoost) and various loss function (MAE, MSE, MLSE and Log-cosh) combinations. Subsequently, based on the Backward cloud generator and Pearson correlation analysis, the paper confirmed that the forecasting errors mainly come from the volatility of the wind power sequence itself, rather than the types and structures of the models. Finally, the paper uses variation and variance to assist Bi-LSTM in one-hour-ahead early warning of forecasting model failure under two kinds of thresholds, and has achieved excellent reliability and accuracy. The warned models show obvious failure situations, both in terms of single error peaks and cumulative errors.