电力行业是保证我国全方位协调发展的基础性支柱产业,电力系统的稳定运行影响着国家的繁荣发展和人民的美好生活。随着我国电力工业体制改革有条不紊地推进和电力供应结构的持续优化,短期负荷预测作为电力市场分析预测工作中必不可少的一部分,其重要性日益凸显。精确的短期负荷预测技术为电力部门制定调度计划提供技术支持,为电网的安全稳定运行提供保障。同时,在逐步完善的电力市场环境下,高精度的短期负荷预测技术为发电侧、输配侧和售电侧提供了经济调度的依据,使其能在满足用户基本需求下追求更高的经济效益。因此,短期负荷预测长久以来都是国内外学者专家研究的重点之一。本文从短期负荷预测精度的影响因素出发,围绕决策树理论,结合集成学习、模糊理论等相关知识,对短期负荷预测进行研究,并取得一定的进展。受集成学习思想启发,本文将CART决策树模型和Gradient Boosting算法相融合,通过理论分析证明Gradient Boosting算法可以提高负荷预测的精度,由此提出了基于梯度提升决策树的短期负荷预测模型。为了增加单个CART树的学习空间,提高预测模型的泛化性能,将Shrinkage思想引入到模型中。利用某地区电网实际电力负荷数据仿真分析,证明了该模型具有较高的预测精度,但仍然缺乏预测稳定性。本文将GBDT算法应用到短期负荷预测领域,并达到预期的效果,为接下来的研究提供了一定的基础。受益于随机森林算法的基本原理,本文在GBDT模型的基础上引入了Bagging算法。Bagging算法按照一定比例对样本集随机抽样,将单个GBDT模型的训练样本缩小化,实现多个模型并行训练和预测,有利于节省预测时间并提高模型的泛化性能。同时,利用模糊理论中的隶属函数对样本数据进行模糊处理,以人类的思维方式对不确定因素进行归纳,挖掘输入向量和目标变量之间的潜在信息及规律。基于此,本文构建了模糊Bagging-GBDT短期负荷预测模型,实例分析表明该模型比GBDT模型具备更稳定精确的预测性能。