在电力系统管理和调配中,短期电力负荷预测是一项极为关键的环节。精准、时效的短期电力负荷预测是电网实现节能降耗、精准调度和稳定运行的基础。电力负荷受多方面因素影响,如天气、日期类型、自然灾害、大型活动、经济发展、节假日等,准确的电力负荷预测需将多方面影响因素综合考虑。电力负荷的持续波动是诸多自然因素和社会因素共同作用的结果。本文从探讨电力负荷变化的内在机理出发,首次提出采用大数据的方法和思维进行电力负荷预测,选取了气象数据(平均气温、最高气温、最低气温、平均水汽压、平均气压、最高气压、最低气压)、季节类型数据、日期类型数据、节假日数据和经济发展速度增量共五大类二十多项数据作为电力负荷变化的主导因素进行特征值的构造,通过大数据的分析处理方法探究这些众多影响因素和电力负荷变化之间存在的复杂关联关系,从而揭示电力负荷变化规律和趋势、提高电力负荷预测精度。根据这些特征值计算日日之间的相似性进而构造一个日日拓扑网络,并在网络中采取随机游走算法,以待测日为种子节点寻找若干个与待测日相似的历史日作为训练集,大大提高了训练集数据的构造准确性和效率。此外,基于大量实验研究分析,提出一种基于电力负荷增长率的前馈修正方案,最大程度的削弱了经济发展和电力负荷自然增长对电力负荷预测带来的误差。预测案例研究表明,我们的方法相对经典的支持向量回归算法和一种基于电力负荷变化机理的新型智能算法在平均绝对百分比误差上分别降低了了 29.0%和15.2%。