电力系统短期负荷预测是电力系统调度运营部门的一项重要的日常工作，预测精度的高低直接影响到电力系统运行的安全性、经济性和供电质量，其特点是：要预测的数据个数多、采集到的样本数据含一定的噪声、受诸多气象因素的影响并具有随机性等。论文在大量查阅国内外资料、跟踪国际前沿技术基础上，综合应用多种数据挖掘技术、主要以预测工作的各个环节为线索，对历史负荷数据的预处理、数据样本的选择、气象因素的处理、预测模型输入参数的确定及模型的建立各方面都作了深入的研究，为高精度的短期负荷预测模型奠定了基础。电力负荷是一个随机非平稳过程，其负荷观测值由于受到各种因素的影响，可能会存在某些“坏数据”，这些数据夹杂在正常的负荷数据中参与神经网络的训练，严重影响了负荷预测的精度。为准确、快速地清洗负荷历史数据，本文通过对自适应共振网络(ART网络)抗差聚类性能和超圆神经元网络(CC网络)模式分类性能的分析，设计由这两种网络组合而成的神经网络模型，较好地完成了坏数据辨识的任务。利用神经网络对负荷进行预测，输入样本的选择是一个不得不考虑的问题。输入样本过少，将导致学习不够，不能达到训练要求；输入样本过多，将导致许多无意义的过学习，训练时间增长，甚至无法收敛；输入样本同预测样本联系甚少，将导致预测结果的不准确。因此，论文根据电力负荷的特点，在考虑天气、日类型、实际历史负荷等因素对预测负荷影响的基础上，采用Kohonen网络对训练样本进行选择，进而选取出与预测日相似的样本进行预测，从而减少训练时间，提高预测精度。影响短期电力负荷预测的因素众多，如何有效地判断和选择这些相关因素是改善电力负荷预测的关键，本文通过引入数据挖掘中粗糙集约简算法来解决这一难题。通过粗糙集理论的属性约简算法，既全面考虑了影响负荷预测的各种因素，又避免了由于输入变量过多而导致的神经网络拓扑结构复杂、训练时间过长的不足。针对常规粗糙集算法计算量大，且不具备容错性和泛化能力，本文在属性约简过程中设置了分类可信度β，因而对数据具有了一定的容错性和泛化能力，增强了抗噪声能力。最后，创建基于数据挖掘技术的负荷预测模型。文中以预测工作的各个环节为线索，将预测模型分为四个模块：数据预处理模块、样本选择模块、属性约简模块以及预测模块。从各个环节考虑影响负荷预测精度的因素，并加以解决。实例分析证明，本文所提出的负荷预测模型在一定程度上可以提高负荷预测的精度。