智能电网的建立与建设已经成为国家电网现阶段的重要发展与研究对象,因为电网运行的效率提高,节约电力能源、环境保护、优化电力系统资产、提高供电服务质量等都因智能电网的建立变得越来越好,但与此同时电力系统也对各个方面提出了更高的要求。电力系统的短期负荷预测是电力系统安全运行和经济发展的重要依据。所以电力部门对于能否更加精确的进行短期电力负荷预测提出了更高的要求。因为电力负荷受多种不确定因素的影响,所以通过使用一种聚类方式选取相似日来进行短期电力负荷预测,以提高预测精度。针对电力负荷受气候的多种数据的影响,通过建立映射数据库将气温、湿度、天气、星期类型、季节等不能够数值化的值进行数值化,使得不同的影响因素在数值上具有可比性。在预测方面支持向量机作为机器学习中主流的预测方法,在处理小样本数据,高维识别和非线性问题时具有许多特有的优点。具体的研究内容如下:(1)首先是对电力负荷的特性分析,全面、系统地介绍短期电力负荷目前的研究现状,分析出电力负荷本身的特征,然后对电力负荷的影响因素进行分析,确立有关影响电力负荷变化的因素情况。对其进行研究分析,确定模型的建立。(2)第二针对分析出的影响因素,确定要加入到模型中的影响因素,选取出符合条件的短期电力负荷预测的样本数据。建立特征量映射数据库,根据聚类方法选取出与预测日具有相似特征的相似日,对数据进行筛选,形成预测样本数据。(3)第三基于筛选后的样本数据,建立回归预测模型,使用AFSA-SVM模型进行短期电力负荷预测,通过对实例进行分析,得出更加精准的预测结果。并且使用同样的最初样本数据采用其他方法进行建模预测分析,与最终结果进行比较。发现本方法的预测效果更好。通过最后的实验分析和比较发现,本文建立特征量映射库后通过聚类选取相似日筛取样本数据,再使用AFSA-SVM模型对样本数据进行预测的方案可以有效的引入多种影响电力负荷的因素,并且可以更加准确地提高短期电力负荷的预测精度,实现想要达到的目的。