负荷预测是电力系统中的重要工作内容,合理的负荷预测能够帮助电网部门制定有效的发配电计划。短期负荷预测因其随机性强、预测难度大,已成为负荷预测难点与重点。开展精准的短期负荷研究,不仅能够提高电力系统的运转效率,更有利于应对用电情况的突然变化,降低运维成本。随着用电信息采集系统功能的不断拓展与完善,该系统具备采集多种数据能力,可为短期负荷预测提供更丰富的数据。因此,依托用电信息采集系统构建短期负荷预测方法,可进一步提升短期负荷预测准确度,提高短期负荷预测对电网公司制定发电计划的指导价值,保障电力系统长久平稳的运行。本文针对短期负荷周期特性分析不足、预测准确度无法满足当前需求等难题,开展电力负荷变化特征与规律提取和负荷关键因素筛选算法的研究,并分别建立电力负荷点预测与区间预测模型,提高负荷预测准确度和实用性,主要研究内容如下:首先介绍电力负荷短期预测研究的社会意义和经济价值,阐述短期负荷预测方法的国内外研究现状,按照预测方式和对象的不同,分别总结短期负荷点预测与概率预测的方法及其优缺点,归纳现有的短期负荷影响因素的筛选方法,可分为数据驱动型与误差驱动型两类方法,分别对其合理性与不足进行阐述。介绍用电信息采集系统的主要架构及功能,说明本文所用数据的来源,并使用变分模态分解算法将电力负荷信号分解成为3个IMF分量,分别从年周期、周周期和日周期三个方面,对负荷数据的变化规律进行分析,挖掘负荷的变化特征。针对短期电力负荷关键影响因素筛选不全面的问题,提出基于灰色关联算法和Cart回归树的短期负荷预测复合变量筛选算法,该方法针对不同类型的负荷影响因素,分别选用数据驱动型和误差驱动型两种变量筛选方法。针对气温、湿度、降水量等每小时都发生变化的变量,选用灰色关联算法计算灰色关联度;针对日期、星期等相对于小时变化较“慢”的变量,选用基于Cart回归树的XGBoost算法,计算负荷影响因素对每个IMF分量预测的贡献度,据此实现针对不同类型变量的精准筛选。本文提出的复合变量筛选方法筛选方式更加精准,相比使用单一方式进行负荷影响因素筛选的传统方式,复合变量筛选方法能够在众多影响因素中更加全面筛选出关键影响因素。针对负荷预测点预测精度无法满足当前需求的问题,本文选用堆栈自编码器对负荷预测输入数据进行降维并提取特征,有利于降低后续神经网络的复杂度,从而减少训练模型所需时间。选用对长期数据具有良好记忆功能的门控循环单元,并结合复合变量筛选算法,据此构建CVS-SAE-GRU短期负荷点预测模型实现负荷预测。选用长沙市某地区2019年实测数据实验证明,本文提出的方法能够更好的实现数据的降维与特征提取并具有更高的预测准确度,相对于传统的短期负荷预测方法,具有更低的均方根误差和绝对平均误差,负荷预测曲线与真实负荷曲线拟合度更好。针对传统短期负荷点预测指导性不足、准确度无法满足实际生产需求的问题,本文基于粒子群智能寻优算法与BP神经网络构建短期负荷区间预测模型。为更合理评价区间预测效果,提出改进区间预测评价指标,并构建区间预测满意度函数,用于后续指导智能算法寻找模型最佳参数。为进一步均衡粒子群的全局寻优和局部挖掘能力,提出动态自适应权重粒子群算法,使粒子群可根据当前适应度优劣动态调整惯性权重,从而具备更好的寻优能力,并结合BP神经网络,据此构建短期负荷区间预测模型。实测实验表明,本文所提方法在满足区间覆盖概率要求的同时,具有更小的预测区间宽度和累积误差,预测效果更优。最后基于本文所提的短期负荷点预测与区间预测方法,开发基于Lab VIEW的可嵌入现有电力用户用电信息采集系统的短期负荷预测单元,详细阐述了整个单元的架构,实现数据获取、负荷分解、关键因素筛选、综合预测等功能,并应用用电信息采集系统实测数据实验,验证本文方法的合理性和有效性。