随着经济社会的发展和人民生活水平的提高,电能越来越成为社会生产活动中不可或缺的重要能源。电能从生产到使用的各个环节均离不开电力系统调度规划的作用,而电网的飞速发展使电力系统的复杂程度不断增加。精准的电力系统短期负荷预测对电力系统的安全稳定运行以及电网的经济调度至关重要,它不仅影响着居民的日常生活,而且可以减少资源浪费,一直都是电气工程领域的重要研究课题。短期负荷预测工作因受众多因素影响使该课题变得复杂,本文介绍了短期负荷预测的研究现状,在分析了负荷预测特点及影响因素的基础上,比较了不同的决策树算法,利用其中的CART决策树构建随机森林。将随机森林算法应用到短期负荷预测领域,并通过对算法的分析改进使预测获得更好的效果。传统随机森林模型中的参数——决策树棵数和分裂特征数根据经验选取,但是在面对不同研究对象时,可使随机森林性能达到最优的参数不同。针对此问题,本文使用粒子群优化算法对参数进行优化,得到应用于短期负荷预测的随机森林的最优参数。实验分析表明粒子群算法优化随机森林的预测模型比传统预测模型的预测精度更高。传统随机森林模型和粒子群算法优化随机森林模型均是单层模型,由统计学习理论可知,使用一次算法一般只能读取对应空间的部分有效信息,影响预测性能。针对此问题,本文提出使用双层随机森林算法建立模型进行短期负荷预测,同时采用粒子群优化算法对双层随机森林进行优化,将两层随机森林通过训练残差联系起来,即将第1层随机森林的训练残差放入训练集参与训练第2层随机森林,使其能更充分的读取空间中有效信息,将两层随机森林的结果相加即可得模型最终结果。另外,本文通过灰色关联分析法选取了待预测日的相似日,将相似日数据加入训练样本增加了训练数据的全面性。通过仿真预测的实验数据表明,基于双层随机森林算法的短期负荷预测模型的预测精度更高,且预测性能更稳定。