精准的电力短期负荷预测对电力系统发电端的调度,配网端的负荷分配有着重要的意义。随着现代电力系统的建设,风力、光伏等新能源发电,配网端新技术的应用使得电网结构日益复杂,单一的预测模型无法适应多因素影响下的区域负荷预测,对短期负荷预测提出了新的挑战。本文着力于搭建组合预测模型,基于某地区2020年的负荷数据,分别从训练数据的选择、输入特征的学习、预测模型的搭建三方面入手,建立准确合适的组合预测模型。本文的主要研究内容如下:首先,提出了基于Kmedoids聚类筛选相似日的方法。考虑到历史负荷数据量庞大且差异性强,冗长的训练数据学习价值较低。从影响该地区负荷的因素出发,基于PCC分析（Pearson Correlation Coefficient）对影响该地区负荷的因素进行筛选,选择出真正影响该地区负荷变化的因素,并与历史负荷数据一起输入聚类模型,构建基于聚类分析的相似日选择方法。优化参与训练的历史负荷数据,从而提升预测精度。其次,提出了一种高相关性负荷分量的特征学习方法。在影响因素的PCC分析过程中,发现负荷序列的高相关性影响因素较少。因此基于集合经验模态分解算法（EEMD）挖掘负荷序列的自身规律,产生新的负荷分量特征作为预测模型的潜在输入,在原始输入特征的基础上加入与负荷序列有高相关性的负荷分量,以此提高模型的预测性能。这一过程称为高相关性负荷分量特征学习（High correlation load component feature learning,HCFL）。最后,搭建预测模型并改进。分别搭建了BP、GRNN、RNN、LSTM四种基础预测模型进行对比,验证了LSTM模型的优越性。并基于聚类筛选相似日搭建了Km-LSTM预测模型,验证了聚类分析对预测精度提升的有效性。将Km-LSTM的初步预测值和聚类后的训练集负荷进行组合,使用EEMD分解该组合负荷序列并选取高相关性负荷分量加入训练集。考虑到模型输入的维数增加,搭建CNN-LSTM加强预测模型对高维数据的处理能力。通过对某地区负荷数据在MATLAB中的算例仿真,证明了本文搭建的基于聚类分析和特征学习的Km-HCFL-CNN-LSTM组合预测模型对某地区2020年的短期负荷预测有着更好的预测精度与鲁棒性。本论文有图38幅,表24个,参考文献80篇。