随着社会的发展,人们面临的电力资源短缺问题越来越突出,如何让有限的电力资源发挥出最大价值,是我们需要研究的问题。与此同时,微电网技术应用范围越来越广,尤其在电力资源的优化调度使用方面,具有很大优势。微电网中电力负荷预测主要有长期电力负荷预测、中长期电力负荷预测、短期电力负荷预测和超短期电力负荷预测,其中短期负荷预测是指预测未来24小时的负荷数据,在微电网中最为重要。于是本文着重研究微电网中的短期负荷预测算法。短期电力负荷预测存在特征少和需要预测的负荷与训练集中某些数据相关度不高的问题,基于以上问题,本文的主要研究如下:首先,建立微电网负荷预测的特征工程,围绕用户的负荷特征提取三大类特征:结构特征、变换特征和频次特征,并对提取的特征进行缺失值处理和标准化处理,从而扩充特征数量,得到更加有效的特征。其次,提出了基于K-均值和K-近邻的多标记算法,主要思路:通过K-均值算法将数据集划分成k个聚类簇,然后用K-近邻算法在聚类簇里面找到待预测数据的N个近邻数据,根据这N个数据在聚类簇里面的个数分布情况,可以得到一组权值,通过这组权值得到待预测数据与不同的数据簇之间相关度矩阵,使得待预测样本和训练样本之间建立一个权值关系。最后,提出了基于多标记学习的BPNN短期负荷预测算法,主要思路:通过基于K-均值和K-近邻的多标记算法得到待预测样本与聚类簇之间的相关度矩阵之后,当相关度等于0的时候,对应聚类簇中的训练样本将不会用来训练BPNN模型,这一部分数据对该预测样本不起作用;当相关度不等于0的时候,对应聚类簇的训练样本会用来训练BPNN模型,然后用这部分数据训练的模型预测该预测样本的电力负荷,得到的负荷数据再乘以相关度,相乘的结果作为聚类簇对预测样本的负荷预测结果,最后,把k个聚类簇的预测结果相加的值作为总的负荷预测结果。