电力负荷预测是当前人们研究比较多的一个热门课题,精确的电力负荷预测能够保证电网系统的稳定运行,并且对保障电力系统本身的安全性也有着重大的意义。本文主要研究短期电力负荷的预测,包括预处理历史负荷数据、分析负荷的相关影响因素、选取合适的训练集和建立电力负荷预测模型。并采用多种数据挖掘技术来进行研究。首先,对于如何解决电力负荷数据预处理,这里采用改进的模糊C均值聚类算法。针对模糊C均值的聚类中心以及聚类数目的确定采用减法聚类算法进行,以此提取出日负荷特征曲线,然后根据正态分布理论来确定双向检测阈值,利用电力负荷曲线的相似性和平滑性,识别日负荷曲线的异常数据,最后对异常数据进行修正。其次,对负荷进行相关因素的分析和相似日的选取,主要分析负荷本身的周期特性,同时利用灰色关联分析方法来剖析天气因素和负荷之间的关联。选择影响负荷的主要相关因素构成负荷的特征向量,以此为依据选取相似日粗集,最后用模糊聚类灰色关联分析法选取相似日。最后,在前几章方法的条件上,采取改进的鲸鱼算法优化之后的支持向量机模型当做本文的短期电力负荷预测的模型。选取福建省莆田市的电力负荷数据进行短期负荷预测,然后把本文的预测模型与基于支持向量机的电力负荷预测模型作比较。通过算例结果得出以下两个结论:对本文模型与支持向量机模型的对比,得出本文的预测模型预测的精度更高;在将经过预处理之后的数据跟没有处理的数据分别运用本文的模型进行预测,得出经过本文的方法预处理后的数据预测得到的结果精度更好。