电力系统短期负荷预测是电力系统调度运营部门的一项重要工作,预测精度的高低直接影响到电力系统运行的安全性、经济性和供电质量。短期负荷预测是从已知的社会经济发展和电力需求出发,通过对历史数据的研究分析,对未来一天的系统负荷进行估计和推算。影响电力负荷的因素很多,这些因素对负荷的影响具有非线性、复杂性、滞后性等特点。如果影响因素没有分析正确,要得到准确的负荷预测是相当困难的。要进行准确的负荷预测,必须对历史数据进行深入分析。由于数据挖掘技术具有从海量信息中挖掘知识的能力,因此在负荷预测中引入了数据挖掘理论,以期建立精确的预测模型。本文通过制定各种数据挖掘元模式,指导数据挖掘引擎对历史数据进行挖掘,来发现有用的知识。这些知识包括影响负荷变化的因素、因素变化时负荷变化的规律、与预测日输入信息最适合的训练样本及预测样本等。在预测模式和模型算法的选择上,充分考虑季节、气象、温度和节假日等因素,运用逐级均值聚类算法对以上因素进行多层次、多细节分解聚类并分类。将人工神经网络模型引入到短期负荷预测,选取历史数据样本利用BP网络算法进行训练。对影响短期电力负荷的重要因素加权,用实际负荷数据进行了验证和动态调整,具有较高的预测精度。针对电网调度部门的实际需要,开发了一套基于调度自动化系统的短期电力负荷预测系统。该系统集成于地区电网的调度自动化系统,具有较好的实时性、经济性和实用性,采用面向对象设计方法对负荷预测系统结构进行设计。实现多种负荷预测及评估功能体系,满足短期负荷预测的各种性能指标。