短期负荷预测是保障电力系统的安全经济运行不可或缺的基础,其用于制定每日或每周计划,包括发电机组控制,负荷分配和水电调度,在现代电力系统的能源分配和管理中起着至关重要的作用。但随着电力系统的发展,影响电力负荷的因素越来越复杂,传统的预测模型难以适应现代电力负荷的特性。本文针对现代电力负荷的变化规律和特点,以提高短期电力负荷预测精度为研究目的,建立了基于相似日聚类和改进DRESN的负荷预测模型。首先,基于目前电力负荷影响因素众多以及数据量庞大的问题,建立考虑影响因素的相似日聚类分析方法。运用皮尔逊相关系数对负荷影响因子进行相关性分析,将筛选出的影响因素和负荷数据使用主成分分析进行降维处理,再对处理过的新数据集运用模糊C均值聚类,从而对负荷数据进行分类。同时与传统模糊C均值聚类对比验证了其有效性,结果表明改进的算法能准确地选取负荷类别数,且具有更快的收敛速度。其次,针对回声状态网络(ESN)在负荷预测中性能不稳定的问题,建立了改进天牛须算法优化双储备池回声状态网络的负荷预测模型。首先将储备池结构优化为双储备池回声状态网络(DRESN),其次将精英策略、莱维飞行以及自适应策略引入天牛须搜索(BAS)算法,运用改进后的天牛须搜索算法优化双储备池回声状态网络参数,经实例仿真对比,验证了该模型的优越性。最后,本文结合上述方法,建立了完整的短期电力负荷预测模型,即考虑影响因素的相似日聚类结合改进天牛须算法优化双储备池状态网络的预测模型。根据信阳地区三年来的实际数据,在MTALAB中进行实例仿真,同时分别与BP、ESN、BAS-BP以及BAS-ESN四种模型对比,结果证明本文提出的预测方案具有较好的预测性能。