短期负荷预测为电力系统的规划、调度以及电力市场交易提供重要的数据支撑,关系到电力系统的稳定运行及经济性。然而,伴随着我国高渗透率多类型分布式电源的发电并网,电力供需态势呈现出显著的随机性,电力系统在发电和需求双方的不确定性进一步增强。短期负荷预测面临新的挑战,负荷预测精度需进一步提高,传统预测方法已无法满足要求。另外,随着我国电源侧和售电侧电力改革的不断深入和电力现货交易市场的推广,“源-荷”互动日益显著,负荷需求与实时交易电价之间形成了复杂的耦合行为。实时电价逐渐成为短期负荷预测不可或缺的影响因素之一。如果此时忽略这一影响因素,负荷预测的结果精度会大大降低。本文重点研究计及实时电价的高精度短期电力负荷预测,主要包括:短期电力负荷预测的影响要素分析及模型输入的选择、模型数据的预处理、基于数据的短期电力负荷预测模型及模型对比验证等。完成的主要工作如下:(1)短期电力负荷预测影响因素分析及模型输入选择。充分考虑了实时电价对短期负荷预测的影响,将实时电价作为预测模型的输入变量之一。(2)模型数据的预处理。采用K-Means聚类算法按实时电价对原始数据进行聚类处理,以预测日的相似日类别数据作为训练样本,为提高模型的预测精度奠定基础;通过主成分分析(principal component analysis,PCA)方法降维模型的输入变量,解决了考虑实时电价因素之后,预测模型的输入变量维数增加,预测模型的结构更加复杂,训练时间增加等问题。(3)基于改进增量型极限学习机(improved incremental extreme learning machine,II-ELM)短期负荷预测模型。为了降低短期电力负荷预测模型的复杂度,提高模型的实时性,在增量型极限学习机(incremental extreme learning machine,I-ELM)网络模型的隐层输出上加了一个偏置,优化输出权值。(4)基于改进鲸鱼算法优化的改进增量型极限学习机(improved whale optimization algorithm for improved incremental extreme learning machine,IWOA_II-ELM)的短期负荷预测模型。为了进一步克服II-ELM输入权值和隐层阈值随机获取的不足,采用改进鲸鱼优化算法(improved whale optimization algorithm,IWOA)对II-ELM的初始权值和阈值进行了优化,建立了集成IWOA算法和II-ELM的IWOA_II-ELM模型。最后,以某地区的负荷数据作为负荷预测样本,进行实例分析,并对比I-ELM、II-ELM和鲸鱼算法优化的改进增量型极限学习机(whale optimization algorithm for improved incremental extreme learning machine,WOA_II-ELM)模型,仿真结果验证了改进网络模型的有效性。