电力负荷短期预测是电力系统一项非常重要的工作,是电网规划决策的基础,是电力市场化的前提,对电力部门提高经济效益有着重要的意义。为了满足电力市场发展需要,电能规划贴近供求关系,本文以电力负荷短期预测为研究对象,重点探索预测方法。由于电力负荷受政策、市场经济、气象、自然灾害等多种多样的确定的和不确定的因素影响,因此本文以灰色理论为依据,通过对历史电力负荷数据自身变化规律的深入研究,分析探索电力负荷数据之间的内在联系和发展变化规律,搭建精确且适用性高的负荷预测模型。首先,本文研究分析了传统灰色预测GM（1,1）模型仅适合于预测以指数趋势单调变化的数据序列,考虑到电力负荷数据曲线往往波动大且变化趋势复杂,本文对传统灰色预测GM（1,1）模型进行推广,对影响因素的种类数进行扩展,提出了灰色预测GM（1,n）模型。经代入数据进行验证,对于电力负荷的短期预测,灰色预测GM（1,n）模型较灰色预测GM（1,1）模型预测精度提高了6.84%。其次,根据电力负荷数据的本身特性,使用不同的聚类分析方法对其进行分类,并建立了灰色预测GM（1,n）模型分别与5种聚类分析方法相结合的组合预测模型,极大程度的保留了各类数据本身的特征。实验结果表明,灰色预测GM（1,n）模型结合模糊聚类的电力负荷短期预测组合模型预测精确度更高,绝对百分比误差仅为0.07%,预测精度较单一的灰色预测GM（1,n）模型提高了14.88%。最后,将灰色预测GM（1,n）模型结合模糊聚类的组合预测模型与现在使用最广泛的神经网络之一BP神经网络进行对比分析,发现其预测精度较BP神经网络预测模型提高了4.41%,可见灰色预测GM（1,n）模型结合模糊聚类的电力负荷短期预测模型在准确性方面是占优势的。