数据挖掘技术是人工智能中机器学习和数据库技术结合而发展起来的新技术。它通过对大量数据进行分析与处理，得到隐含在数据后面的信息和知识，满足人们日益增长的对知识的要求。将数据挖掘技术应用到电力系统中，对电力数据进行挖掘，有着广阔的应用空间和实际意义。 短期负荷预测是电网调度自动化系统高级功能的一部分。准确的负荷预测有助于提高电力系统的安全性和稳定性，减少发电成本。随着电力工业的发展，短期负荷预测将发挥越来越重要的作用。 本文首先研究了数据挖掘技术和短期负荷预测的理论，然后研究了人工神经网络方法，并用BP神经网络建立短期负荷预测综合模型。为加快神经网络的学习速度，本文采用改进的BP算法，引入平滑系数和遗忘系数。为提高负荷预测的精度，本文同时考虑基本负荷、温度、天气敏感因素、节假日等多种影响负荷预测的因素。 本文最后介绍了电网调度自动化系统的设计与实现，并把综合预测模型应用到天门市供电局电网调度自动化系统一短期负荷预测子系统中，取得了良好的预测效果。 本文总共分为六章，其内容如下： 第1章主要介绍了本课题的研究内容及意义、数据挖掘的理论和技术及数据挖掘技术在电网调度自动化系统中的应用现状。 第2章介绍了负荷预测的理论和常用短期负荷预测方法。在对各种预测算法进行比较的基础上，提出了基于人工神经网络的改进BP算法。 第3章主要介绍了短期负荷预测综合模型的建立过程。重点介绍了神经网络结构的选定策略，对历史负荷数据平滑、归一化处理的方法和采用改进BP算法的综合模型在短期负荷预测中的学习和预测过程。 第4章具体介绍了综合预测模型应用平台即电网调度自动化系统的设计与实现。包括系统的体系结构、硬件环境、数据库设计、软件组成等等。 第5章介绍了短期负荷预综合测模型在实际中的应用及预测效果。通过与普通BP模型的比较，证明该模型有较好的学习速度和预测精度，创造良好的实际价值。武汉理工大学硕士学位论文第6章给出本文的总结，并提出下一步的工作设想。