电力负荷预测对于电力系统的调度和规划都是非常重要的.从一小时到几天不等的负荷预测是电力企业安全性、可靠性运行的重要依据,是系统运营最小费用的重要保证.在过去几十年中,众多学者在该领域展开了深入的研究工作并且取得了巨大的进展.今天,一些负荷预测技术诸如:神经网络、灰色网络、志家系统、混沌理论等等,都对该领域产生不小的影响.小波分析是近年来发展起来的用于信号分析的数学工具.它已经被成功应用于数据压缩、信号与图像处理、地震和气象预报等领域.与此同时,基于小波概念的负荷预报方法也表现出不同以往其它预测技术的优越性.众所周知,负荷数据分类对于负荷预测精度具有重要影响.该文首次研究了两种基于小波分解的负荷聚类技术.第一种方法的依据是快速小波分解和K-NN结合的聚类原理,仿真结果表明该方法可有效减少聚类的输入空间维数.第二种方法是基于小波分解原理和不连续突变点的聚类分析方法,在分类后的负荷数据能反映出负荷的季节变化规律.该文提出了基于小波分解聚类特征的小波神经网络,并对不同负荷特性曲线的负荷预测性能进行了研究,结果表明小波函数非常适合电力负荷曲线的逼近.在网络结构相同的情况下,小波神经网络的预测精度能够超过BP神经网络.实验也同时表明:小波神经网络具有比一般多层前馈神经网络更加良好泛化性能和学习收敛性能.