电力市场下的电价预测是十分复杂的问题，短期电价预测是本文研究的重点。电价序列是一个时间序列，由于受众多因素的影响，电价曲线具有多周期性、波动性大、多个价格尖峰等特点，因此要比负荷预测难得多。本文采用自组织数据挖掘组合预测模型对短期电价预测问题进行研究，它可以实现对预测模型的优化组合，其中本文所采用的三个单一预测模型分别是累积式自回归-滑动平均(ARIMA)模型、基于减法聚类的自适应模糊神经网络(ANFIS)模型、残差周期修正的灰色模型。这三个单一模型的特点是：ARIMA模型利用历史电价数据建立电价的时间序列模型，认为影响电价的各种因素已隐含在历史电价数据当中，模型物理意义明确、易理解；ANFIS模型基于T-S模型(Takagi-Sugeno)，采用减法聚类方法确定自适应模糊神经网络的结构，然后利用混合学习算法训练自适应模糊神经网络的前件参数和结论参数，最后输入影响未来日电价的相关因素于训练好的自适应模糊神经网络中进行电价预测；残差周期修正灰色模型改进了初值条件，进行残差周期修正能跟踪波动性变化的电价曲线，更精确的反映原始数据的变化规律。在建立上述三种模型的基础上，应用自组织数据挖掘技术，实现了多个模型的优化组合，并充分利用了单个预测模型的信息。这种组合预测方法的优点是：采用非线性组合方式，所建立的模型具有显式表达，可以直接用于建模结果的分析和解释，此外，它是利用新信息来选择最优复杂度模型，从而保证模型具有较好的预测能力。采用美国加州电力市场公布的电价数据分别建立了三个单一预测模型和组合预测模型，结果表明预测精度有了较大的提高，是令人满意的。鉴于电价预测工作的频繁性，也是目前市场的各交易主体进行交易前的一个重要参考依据，利用MATLAB软件和SPSS软件设计了电价预测系统，实现次日电价的预测。