电力工业是经济的血液,其发展迅猛逐渐受到世界上各个国家的普遍重视。但由于电力本身的特性以及各项因素的共同作用影响,电力需求序列呈现出高度的波动性、自相关性、季节性和随机性,这成为影响世界各国电力系统安全稳定运行的关键因素。要避免电力需求序列的这些特性对各国电力系统的运行产生不良影响,要求我们必须能够准确的预测短期电力负荷需求。然而,传统的线性预测方法无法满足电力需求序列的波动性、不确定性、自相关性及随机波动性的预测要求,基于人工智能算法的许多模型容易陷入局部最优,从而使预测精度达不到我们想要的标准。因于此,本文在研究了国内外短期电力负荷预测现状的基础上,提出了一种基于数据预处理、聚类、参数优化、预测四个模块构成的组合预测模型来提高预测的精度,并通过讨论检验证明其优异性及稳定性。在数据预处理模块,本文采用集成经验模态分解技术进行处理,降低了原始数据集内噪声的影响,得到稳定的序列作为数据的准备条件。在聚类模块的部分,对多种聚类方法进行比较最终选择了模糊聚类FCM算法,将负荷曲线以天为单位对四个季节数据分别进行聚类,并在此基础上进行更深入的分析,针对聚类的结果进行用户用电行为的分析,将各季节各类别的聚类结果进行可视化处理,以天为单位观察各季节各类别负荷数据的负荷曲线变化来对用户的用电行为进行横向观察并按时间点进行纵向观察,横纵相结合对用户用电行为进行描述。接着,在模糊聚类得到的序列基础之上对数据进行选择,在每个季节中选择与其预测日最为相似的一类数据参与后续的优化及预测。其中,本文选择每个季节各时间点的平均值数据作为预测日数据。在优化模块,本文采取差分进化的优化算法对其中的参数采用进行优化。最后,在预测模块本文采用最小二乘支持向量机的预测方法对数据进行训练和预测。经过机器学习后,我们使用了四种不同的统计标准来评估模型的预测性能,并将所提出的模型从单一与混合、不同优化算法、不同预测算法三个方面进行对比证明其具有较优异的预测精度,并通过DM及稳定性等检验证明该模型的有效性和稳定性。本文创新点主要在于:第一,在聚类分析模块,本文将模糊聚类用于对数据的选择,筛选出更合适的数据,从而能更有效的提高模型的预测精度;针对数据的特点,对各个季节数据分别进行聚类,并对各个季节的聚类数据进行用户用电行为的分析;指出了聚类方法的有效性指标,对常见聚类算法进行比较,让选取的聚类方法及类别个数有据可依。第二,本文在对比各种模型证明所提模型有较高精度之后,对模型进行了讨论和检验,从DM、稳定性、确定性和有效性检验等方面入手,充分证明了模型的优异性。除此之外,本文仍存在几点不足:第一,对电力负荷数据影响因素的选择考虑的还不够全面。第二,在用户用电性分析上没有对某一个行业或某一类有特征的用户进行更深入细分。第三,目前在预处理、聚类、优化以及预测各方面的算法众多,本文可能在众多算法的选取中考虑的不够全面。