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的日常工作，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，其特点是：要预测的数据个数多、采集到的样本数据含一定的噪声、受诸多气象因素的影响并具有随机性等等。本文综合运用多种数据挖掘技术，主要以预测工作的各个环节为线索，对历史负荷数据的预处理、负荷时间序列的特性、气象因素的处理、预测模型输入参数的确定及模型的建立各方面都作了深入的研究，为高精度的短期负荷预测软件系统的集成开发奠定了基础。 为准确、快速、动态地清洗负荷历史数据，基于数据挖掘中聚类和分类的思想，提出了脏数据的智能动态清洗模型，根据模糊软聚类思想对Kohonen神经网络进行了改进，使得改进后的Kohonen神经网络能实现模糊c均值软聚类的并行计算，并提出了相应的动态算法，能根据样本集的更新而自动确定新的聚类中心(即日负荷特征曲线)，与RBF径向基网络一起构成了脏数据的智能清洗模型，模型具有快速性和动态性的特点，为精确的预测提供了数据上的保证。 针对短期负荷预测数据个数多的特点，采用主元分析法对负荷历史数据进行处理，以使得信息得到有效的集中，为克服常规主元分析法在标准化数据时易丢失信息的缺点，提出了改进方法，不仅大大减少了建模工作量，并且保证了信息的完整性，只需对少数几个重要分量建立神经网络等复杂模型重点预测，而对其它分量只简单计算即可，建模效率和预测精度能得以大大提高。 为了探求负荷数据的性质，通过对负荷时间序列的李雅普洛夫指数计算，说明了负荷时间序列具有混沌特性，并计算出了可预测时间的理论值，为预测工作提供了理论依据。首次提出引入生物气象学中综合反映气温、湿度及风力对人体作用的几个气象因子(实感温度、寒湿指数、温湿指数及舒适度指数)来评价气象因素对短期负荷的影响，通过与温度单一因子的对比揭示了引入综合气象因子的合理性和优越性。 输入参数的选择一直是神经网络建模的难点问题，对模型的预测精度有很大的影响，通过引入数据挖掘中粗糙集约简算法来解决这一难题，弥补了神经网络不能确定重要的属性组合及结构构造等不足。由于常规粗糙集算法区分函数约简算法是NP复杂问题，本文提出了基于属性优先级启发函数的约简算法RAPHF，算法方便灵活且高效。针对电力短期负荷预测是一个动态的过程，样本数据总是不断更新的特点，提出了具有增量处理功能的RAPHF—Ⅰ算法，保证了模型输入参数的合理性及正确性。重庆大学博士学位论文 最后，采用前向神经网络(ANN)对工作日(包括周末)负荷进行预测:为了克服标准BP算法收敛速度慢的缺陷，提出了基于3个可调参数激励函数的学习算法BP~AA;为了克服常规BP神经网络容易陷入局部极小的缺陷，提出了嵌入Logistic混沌映射的两重搜索算法BP~AAEc。通过测试，证明构造的学习算法不但使网络收敛速度及非线性逼近能力大大提高，而且有效地解决了易陷入局部最小的问题，同时避免了Logistic混沌搜索时间长的缺点。针对元旦、春节、五一和国庆等节假日负荷预测时间跨度长、可参考的历史数据量少、受气象因素影响更为突出的特点，提出了灰色GM(l，l)模型与模糊逻辑系统相结合的方法对重大节假日的电力负荷进行预测。为了克服传统灰色算法对非指数序列进行预测时偏差较大的缺陷，对偏差产生的机理进行了深入的分析，首先采用GM(1，1)的背景值改进算法进行初步预测，然后用模糊系统考虑气温对节假日负荷的影响，对灰色预测结果进行修正，进一步提高了预测的准确性。关键词:短期负荷预测，数据挖掘，综合气象指标，粗糙集，神经网络， 灰色模型