电力系统调度运营过程中,主要应用的措施为短期负荷预测,预测结果的精准性对整个电力系统的正常运行起到至关重要的作用。电力负荷自身的非线性及随机性等特性决定了预测的难度,但鉴于其在电力行业的重要性,负荷预测已经成为诸多专家重点关注的问题。随着时代发展,电力系统的复杂性和容量日渐提高,负荷变化规律也越来越复杂,传统的预测方法已经无法满足当前电力系统的需求。所以,现如今负荷预测的研究过程中,主要以智能综合预测法为研究对象。根据电力负荷具有的特点,本文建立了工作日和节假日两种负荷预测模型,在模型中加入气候等诸多影响因素,通过使用先进的技术手段,比如综合预测技术和智能优化计算方法等,对电力系统的短期负荷变化情况实时精准预测,为电力系统的运营管理提供科学的决策根据。主要创新性成果和研究事宜包括：(1)本文首先介绍了东营地区经济发展概况以及其电力负荷所具有的特性,并对负荷特性进行分析,重点介绍了影响东营地区负荷预测精确性的几个方面的因素,同时进行了误差分析。(2)本文主要对影响负荷预测模型中的各种因素进行了分析,比如误差因子和影响因子,通过调查采集样本,分析研究干扰数据,在核函数的加权模糊C均值聚类的基础上进一步改进完善,设计完成WKFCM算法,此算法选择一个核诱导距离的简单两项代替复杂的欧氏距离为对象,应用于聚类目标公式的不相似性测度函数,提高计算的精准性,增加灵活性。通过聚类各数据所得,选择干扰数据辨识修正模型,属于超圆神经元网络,具有较强的模式分类功能,快速收敛功效,降低了干扰数据对模型的影响,提高了预测精度。(3)对于工作日的负荷模型,文章提出了基于自适应策略的激励函数可调的BP学习算法。通过本文算例可知,在自适应策略的基础上,运用激励函数可调的BP优化算法,运用过程所得数据更加可靠,比在混沌优化的基础上运用该算法更加精准,符合实际运用过程中的相关要求。(4)对节假日负荷进行预测,想将其分类为重大节假日和周末休息日两种模型。在周末休息日模型中,应用免疫粒子群优化的基础上,设计开发的最小二乘支持向量机(IPSO-LS-SVM)预测模型,粒子群算法本身具备很强的全局寻优能力,又引入免疫系统的具体机制,对高适应度粒子起到很好的保留作用,同时还保障了其解值的多样性,进一步提高了最小二乘支持向量机的运算速度。在重大节假日负荷预测模型中,采用了灰色-马尔可夫链模型,先利用灰色模型求得其预测曲线,将曲线划分为不同的状态区间,再利用马尔可夫链的无后效性预测出将来的状态,同时考虑天气、以往数据较少和负荷预测具有较长的时间跨度等因素,对预测结果进一步修正。