短期电力负荷预测(Short-Term Load Forecasting,STLF)是指预测未来一天或几天的整点电力负荷值,其是保障电网稳定运行、实现节能减排的重要手段。高精度的短期电力负荷预测对于电力系统运行的可靠性有着重要的意义。随着智能电网、能源互联网等未来电网技术的快速发展,负荷预测理论和技术已有了较大的发展。本文基于国内外众多学者的研究成果的基础上,致力于提出一种精确有效的短期电力负荷预测算法。本文的主要工作如下:1、以传统BP(Back Propagation,BP)神经网络模型,建立基于BP神经网络的短期电力负荷预测算法。首先对负荷数据进行归一化;然后采用传统的单隐含层BP神经网络,使用历史负荷数据作为神经网络的训练数据训练BP神经网络;最后使用BP神经网络对负荷曲线进行预测。实验表明,使用BP神经网络对电力负荷进行预测,具有一定的合理性和有效性,为后续的实验提供了基础方向和思路。2、提出带密度空间聚类的循环神经网络短期电力负荷预测算法。首先提出使用8维电力负荷特征表示原始的高维度电力负荷曲线;然后使用具有噪声的基于密度的聚类算法(Density-Based Spatial Clustering of Applications with Noise,DBSCAN)对负荷曲线进行聚类;进一步通过预测日的负荷特征向量与聚类中心的欧式距离确定预测日的相似日类别;最后使用同类别的负荷数据作为循环神经网络(Recurrent Neural Network,RNN)的训练数据,对负荷曲线进行预测。实验表明,采用聚类算法加神经网络的组合模型对电力负荷进行预测的思路,是行之有效的,并且所提出的算法在短期电力负荷预测问题上的预测效果较为理想,表明该算法具有一定的实用性。3、提出基于改进最大偏差相似性准则的长短时记忆神经网络短期电力负荷预测算法。首先对最大偏差相似性准则(Maximum Deviation Similarity Criterion,MDSC)聚类算法进行适用性修改,使其更适合于电力负荷数据的聚类,获得聚类结果;然后采用4维度的负荷特征表示负荷曲线;进一步采用预测日的负荷特征与聚类中心的欧式距离确定预测日的相似类别;最后采用同类别负荷数据作为长短时记忆(Long Short-Term Memory,LSTM)神经网络的训练数据,对预测日的负荷曲线进行预测。实验表明,该算法在短期电力负荷预测问题上的预测效果较为理想,表明该算法具有一定的实用性。4、提出基于K-MDSC集成聚类的LSTM与GRU(Gated Recurrent Unit,GRU)组合模型的短期电力负荷预测算法。首先提出MDSC聚类算法的参数设定公式,填补了MDSC聚类算法参数设置没有指导的空白;然后基于K-Means算法和MDSC算法提出K-Means集成聚类算法,对电力负荷数据进行聚类并采用4维度的负荷特征表示负荷曲线;进一步采用预测日的负荷特征与聚类中心的欧式距离确定预测日的相似类别;最后将预测日的相似类别的历史电力负荷数据作为LSTM和GRU组合神经网络模型的训练数据,使用训练后的组合神经网络模型进行预测,得到预测日的电力负荷曲线。实验表明,该算法在短期电力负荷预测问题上的预测效果较为理想,表明该算法具有一定的实用性。