电力作为国民经济的重要命脉,对于维持国民生存以及维持国计民生具有不可替代的作用。随着科技发展的越来越快,人们越来越离不开电,电力系统的重要性在当下显得越来越突出,因此对负荷的准确预测,不仅能保证电力系统的安全稳定运行,还有利于优化整体的资源配置,缓解能源压力,具有非常重要的意义。本文以提高短期电力负荷预测精度为研究目的,针对目前已经存在的问题,基于国内外的理论基础和研究成果,结合已有的数据进行短期负荷预测的实验仿真,对以下内容作了研究。首先,本文介绍了电力市场、聚类方法以及电力负荷预测方法的国内外研究现状,发现目前短期电力负荷预测存在的主要问题。其次,根据电力负荷的特点、传统的电力负荷分类、以及温度、季节、节假日对电力负荷的影响,对原始数据进行缺失数据、异常数据的水平和垂直处理。然后,运用模糊C均值聚类结合具体的数据进行实例仿真分析,并基于聚类有效性指数对结果进行评价,得出聚类结果。最后将细菌觅食算法(BFA)与Elman神经网络相结合运用到短期负荷预测中,并与小波神经网络和RBF神经网络对比,发现具有良好的预测效果。论文通过对以上内容的研究,第一次将BFA-Elman神经网络运用到电力负荷预测中。仿真结果显示,BFA-Elman算法提高了短期负荷预测的精度,为今后的短期负荷预测提供一种新的思路,研究成果具有一定的借鉴意义,为下一步建立负荷预测和电价预测之间的关系提供了参考。