电力系统短期负荷预测作为能量管理系统的重要组成部分,对电网动态状态估计、负荷调度和减少发电成本等方面具有重要意义。随着电网信息化进程的加快,各类传感器和智能设备的大量部署,电网在长期运营过程中不仅积累了海量负荷数据,还包括温度、湿度等监测数据,用户侧的数据已达到大数据规模,大大增加了负荷分析与预测的难度,而价格竞争机制的引进也对电力负荷预测提出了更高的要求。如何有效的从海量用电数据中挖掘潜在的信息和知识,为供电企业扩展市场、合理配置资源等提供决策依据,是电力负荷预测当前面临的主要任务之一。在电力大数据的时代背景下,深度学习、数据挖掘技术以及Hadoop分布式架构为解决上述问题提供了全新的思维模式和实现手段。深度模型通过学习一种深层非线性网络结构以实现复杂函数逼近,具有很强的自适应感知能力,可以发掘大数据的潜在信息。为了进一步提高母线负荷预测精度,本文提出了一种基于栈式自编码神经网络的深度学习预测方法。该方法结合自编码器和逻辑回归分类器构建一个多输入单输出预测模型,将重构后的历史负荷、气象等数据输入到预测模型中,用栈式自编码器逐层学习并提取深层特征,在网络顶层连接逻辑回归模型进行预测,最终利用实际负荷数据与其他算法对比验证该方法的可行性。为满足用户负荷预测的需求,本文结合数据挖掘技术提出一种基于模式匹配的短期负荷预测方法,利用MapReduce大数据计算框架并行实现负荷分析与预测的全过程。首先采用K-means算法对历史日负荷聚类分析,以提取典型负荷模式,同时辨识出与负荷变化有强相关性的影响因素,在典型负荷模式下构建多时刻点预测模型。利用K-means聚类结果以及历史气象、日类型等关键影响因素建立随机森林分类模型,并根据待预测日的属性快速匹配其负荷模式,从而选取相应的模型进行预测。以某地市电网负荷数据为例进行了 Hadoop平台下的仿真分析,从预测精度和并行性能两方面验证本文方法的有效性。