随着社会各领域对电能需求的不断提高、智能电网技术的快速发展以及国家对可再生资源政策的全面实施,电力系统面临着向更智能、更灵活、更具互动性的转变。在电力系统转变的过程中参与信息交互的用户逐渐增多,但由于能源用户类型各不相同,导致电力负荷呈现波动性和时序性的特点,这对电网的稳定运行带来一定影响。能否准确地预测某区域短期电力负荷,在电网规划和运行过程中发挥着重要作用。本文给出了一种基于聚类的LSTM短期负荷预测方法,研究工作包括以下几个方面:1.针对K-Means算法中确定最佳簇集数k和选择初始聚类中心的问题,给出了一种改进的K-Means算法。该算法利用PCA算法将样本集特征空间降维至可视化的三维空间,确定K-Means聚类算法的最佳簇集数k。通过定义密度距离权重,在数据集中根据权重大小依次选取较大的k个权重对应的样本点作为初始聚类中心。最终以智能电网中各户居民多维用电特征集为基础,利用改进后的K-means算法确定居民类别数,完成居民用户聚类分析。仿真结果表明改进的算法能准确地选取小区居民类别数,且具有更高的聚类准确率和更强的抗噪声干扰性能。2.以居民用户聚类分析结果为基础,给出了一种LSTM短期电力负荷预测方法。首先使用住宅小区电力负荷数据确定LSTM网络各个超参数,然后根据居民类别构建不同的LSTM预测模型,最后将所有居民用户预测结果汇总作为小区总负荷预测值。仿真结果表明:相对于其他神经网络模型,LSTM神经网络对电力数据预测的精度最高。同时,结合K-Means聚类分析的LSTM负荷预测模型精准度高于未对居民用户聚类的预测模型。3.针对居民用户聚类结果和短期电力负荷预测结果搭建了JavaWeb可视化系统。系统采用SSH架构设计各模块功能,并通过JFreeChart库绘制了可视化图片,实现了电力数据分析结果可视化的功能,便于电力管理者查看和操作。