在智能电网技术飞速发展和电力市场化改革的背景下,用户的用电模式也将发生巨大改变。其中一个变化是用户能够依据自身电能需求结合实时电价或峰谷电价改变其用电行为,这使得短期负荷波动的复杂性大大增加。此外随着大量自用的分布式电源和电动汽车的加入,影响短期负荷预测的随机因素越来越多。短期负荷预测不仅是电力系统安全稳定和经济运行的重要依据,也是电网生产规划与运行调度的重要组成部分。精准的短期负荷预测结果对于发电机组的启停、水电和火电以及其他发电设备的相互协调配合、安排短期调度计划以及应对紧急情况具有较大指导价值。然而短期负荷波动的随机性为预测带来了极大的挑战,因此有必要研究短期负荷预测的新方法,以提高其准确性与可靠性。本文基于短期电力负荷的特点,在深入挖掘负荷数据底层变化规律的同时充分考虑了影响负荷变化的外部因素,主要工作如下:(1)研究了短期负荷预测模型中输入特征的构建。首先对异常负荷数据和缺失负荷数据的处理方法以及完善负荷数据的标准化方式进行介绍;其次对电力负荷波动规律特性进行分析;最后对两种相关性分析方法进行介绍,并采用这两种相关性分析方法对影响短期负荷波动的连续型影响因素以及历史负荷和当前负荷的相关性进行定量分析。为后续模型中输入特征集合的确定提供了依据。(2)提出了改进粒子群算法优化LASSO耦合支持向量机(Support Vector Machine,SVM)的短期负荷预测方法。首先利用LASSO回归筛选SVM预测模型中的滞后负荷,并结合其余影响因素确定SVM预测模型的输入特征,建立LASSO与SVM的耦合模型(LSVM);然后采用改进粒子群算法对LSVM预测模型中的参数进行优化,提高预测结果的准确性和稳定性;最后通过我国南方某市的实际负荷数据验证了该方法的有效性。(3)提出了基于Attention-LSTM模型的短期负荷预测方法。该方法考虑到长短时记忆神经网络在时间序列预测上的优点,同时引入注意力机制突出对于预测结果具有关键影响的输入序列,建立了基于Attention-LSTM的短期负荷预测模型。在中国南方某城市的实际负荷数据集上对该模型进行验证,结果表明该模型具有较高的预测精度和鲁棒性。(4)对比了本文所提方法中的两种短期负荷预测模型在训练数据量不同的情况下的预测精度和效率,算例分析结果表明IPSO-LSVM模型更适用于训练数据量较少的情况,Attention-LSTM模型能在训练数据量较大的情况下获得更高的效率和预测精度。