电力系统短期负荷预测是电力调度中的重要内容。准确快速地完成短期负荷预测能够让电力系统经济平隐地运行。因此,如何提高电力系统中的短期负荷预测精度一直是国内外学者研究的重点。传统的短期负荷预测多是对多用户的负荷总体进行预测,但负荷变化与各用户用电特性关系密切,对负荷总体进行预测会损失用户用电行为信息,造成预测准确率下降,此时传统的预测方法不再适用。因此,本文给出一种基于改进模糊聚类算法的短期负荷预测方法。首先应用FCM算法对用户负荷总体进行聚类。传统的FCM算法需要预先知道聚类数目,并且对聚类中心初始值较为依赖。因此本文通过Calinsli-Harabasz指标获取最佳聚类数目,引入磁优化算法寻优获得聚类中心初始值,解决了 FCM算法稳定性差的问题。进一步利用差分进化算法和全局记忆性提高了磁优化算法寻优的稳定性和快速性。然后,在确定聚类数目和聚类中心初始值的FCM算法下进行负荷曲线聚类,获得负荷特性相近的用户群体。以聚类获得的若干负荷变化相近的用户群体为基础,利用GRU网络进行短期负荷预测。针对每个用户群体,采用GRU作为元模型,分别建立GRU短期负荷预测模型,最后将各用户群体的负荷预测值进行叠加得到总体的负荷预测值。仿真结果表明,采用了聚类分析的GRU网络负荷预测精度高于未对用户群体进行聚类分析的预测精度。同时将GRU与Elman和BP两种神经网络的预测效果进行比较,预测结果证明了 GRU对于负荷预测的能力更优。