负荷预测是制定发电计划的重要依据,是保证电力系统正常运行的重要工作。负荷预测的研究始于上世纪中后期。最早应用于负荷预测的是统计学,其中最为经典的是回归分析法。随着计算机技术的发展,诞生了人工神经网络技术,该技术是现在常用的负荷预测方法。近年来,随着数据的爆发式增长,数据挖掘技术被应用到了负荷预测之中。数据挖掘是从大量数据中发现隐藏规律的过程,其常用手段包括统计,情报检索以及神经网络。本文以河北某滨海城市短期负荷为预测对象,进行了未来某一天24小时负荷值的预测研究。首先选取了短期负荷预测的特征变量,进行了样本数据的预处理;然后在使用了传统神经网络和基于主成分分析的神经网络进行负荷预测研究的基础上,提出了一种基于主成分分析的自适应型小波RNN方法,完成了短期负荷预测实验,并进行了性能比较。本文主要工作如下:考虑到负荷影响因素的多样性,采用预测日期前一天的24小时负荷值、最高最低气温、天气状况以及日期类型作为预测的特征变量。为了避免错误数据对预测结果带来影响,对样本数据进行了预处理:通告聚类筛选出错误数据并使用线性拟合修复;为了消除不同类型数据间的量纲差异,将所有数据分类归一化。为了比较传统神经网络的预测效果,依次使用BP神经网络和小波神经网络对负荷进行预测,以选取的特征变量作为输入。实验结果表明小波神经网络优于BP神经网络。考虑到特征变量较多且可能存在着相关性,对样本数据使用了主成分分析处理。依据累计贡献率大于95%的原则,选择了新的特征变量。BP神经网络及小波神经网络在使用了主成分分析之后,预测效果都得到了一定的提升。为了提升小波神经网络的性能,将循环结构引入其中,构成了小波RNN,随后将主成分分析和小波RNN相结合,构造了一种基于主成分分析的自适应型小波RNN。该方法的自适应性体现在能够自动对数据进行主成分分析并选取特征变量。实验证明,该方法的预测性能最优。本文最后设计了一个短期负荷预测软件。该软件具有良好的用户界面,通过调用MATLAB的脚本文件进行负荷预测,预测结果最终能够显示在用户界面上。