负荷预测是一个非平稳过程,受天气,季节,社会经济和随机效应等多种因素的影响,因此短期负荷预测是一个多因素影响的非线性复杂问题。随着机器学习的发展,支持向量回归被广泛应用于短期负荷预测领域,取得了有效的预测结果。然而,传统支持向量回归预测方法未对训练样本进行筛选,训练样本数据量大,无关数据较多,导致预测性能不佳。为解决该问题,引入软子空间聚类算法来实现训练样本的自动选取。本文以软子空间聚类算法为研究对象,采用萤火虫算法和多目标萤火虫算法对软子空间聚类算法进行优化,并将改进的软子空间聚类算法应用于短期负荷预测中。取得的主要研究成果如下:(1)提出改进萤火虫优化的软子空间聚类算法。算法引入目标函数和隶属度计算方法对界约束的权值矩阵进行评估并对数据样本进行分簇,将权值矩阵看成聚类问题的可行解,运用改进萤火虫算法优化求得到较优的权值矩阵,从而改善聚类效果。(2)提出随机学习萤火虫优化的模糊软子空间聚类算法。算法利用具有全局搜索能力的萤火虫算法对目标函数进行优化,同时,为弥补萤火虫算法易提前收敛和寻优精度较低的缺陷,对萤火虫种群进化方式和全局最优粒子的学习方式进行了改进。新算法将权值矩阵拟化成萤火虫种群,使变量加权的等式约束变为界约束,通过萤火虫位置的更新搜索最优权重并发掘子空间中隐藏的簇。(3)提出改进多目标萤火虫优化的软子空间聚类算法。算法对多目标萤火虫算法的步长因子和初始吸引力进行动态定义以弥补算法易提前收敛的缺陷,并设计一种萤火虫单行随机学习机制来提高最优解集分布的均匀性;然后将改进的多目标萤火虫算法运用到软子空间聚类问题中,同时优化簇内紧凑度、簇间分离度及负权值熵三个目标函数,簇心和权重被拟化成萤火虫种群,通过萤火虫位置的更新来搜索最优簇心和权重,并发掘子空间中隐藏的簇。本文以某地区2014年10月25日至2014年12月31日的电力负荷数据和气象数据为研究对象,建立基于支持向量机回归的短期负荷预测模型,并将本文提出的3种改进软子空间聚类算法用于训练样本的选取。实验结果表明,采用改进多目标萤火虫算法优化的软子空间聚类选取训练样本的支持向量回归模型取得了最佳预测结果。