电力负荷预测是电力系统的一项基本工作,是安全调度和经济运行的重要依据,在电力市场下,各电力公司要制定合理的经济模型和具有竞争力的实时电价,必须依赖于准确和快速的负荷预测。　　短期电力负荷预测是电力系统管理现代化的重要内容之一,是对发电、输电和电能分配等合理安排的必要前提,对提高电力系统的经济效益和社会效益,保障电力系统的安全经济运行与国民经济的发展具有非常重要的影响。随着电力系统管理现代化的发展,电力部门对短期负荷预测精度的要求也越来越高。　　本文介绍了电力负荷的特点、影响因素、预测原理和目前的研究现状,阐述了关联分析、聚类分析、分类、预测、时序模式和偏差分析等数据挖掘方法的特点,讨论了数据挖掘技术中的决策树分类技术、关联规则算法等优缺点和数据挖掘技术的实施步骤,针对现有的基于数据挖掘算法的电力负荷预测系统,提出了算法的改进设想以及系统实现。　　本文针对现有的基于数据挖掘技术的负荷预测系统主要做了以下几点改进:　　1)在对原始数据进行预处理时,如果发现有不正常数据或缺失数据,不是简单的采用线性插值的方法对其进行修正,而是设计算法从历史海量的数据中挖掘出连续时间点气象数据的关联规则,用这些关联规则对冒大数点进行处理。　　2)在选择基准日的时候,我们设计了一个聚类算法来找到近期与预测日气象因素最相近的一天,而不是简单的拿前一天作为基准来预测。　　3)在决策树模型建立好后,又设计算法对决策树进行修改,使其分类更加合理。　　4)在得到预测结果以后,对负荷预测结果中明显错误的数据,再利用关联规则算法进行二次处理,使得预测结果更加准确。　　实验结果表明,在对原有的系统进行算法改进之后,负荷预测结果的准确率得到一定程度的提高。