短期负荷预测是保证电网安全、经济运行不可或缺的一环,精确的预测结果有利于提高发电设备的利用率和经济调度的有效性。近年来,随着经济的飞速发展和人们生活条件的改善,调温负荷在全网负荷中的占比逐步增大,因此电网负荷对气象条件改变越来越敏感。如何把握气象因素对负荷的影响规律,提高短期负荷预测精度,是当前需要解决的难题。随着大数据时代的到来,电力高级量测系统以及数据采集与监视系统储存了海量的电网数据和气象数据,探索有效的数据挖掘技术,正确分析因气象因素带来的负荷模式变化将成为提高短期负荷预测精度的重要环节。本文在分析总结已有的短期负荷预测方法的基础上,提出了一种使用气象及负荷大数据进行负荷模式提取的方法,并对所提取的各负荷模式使用机器学习算法进行预测建模。主要工作如下:首先,分析了电网负荷的特性,从日周期特性、周周期特性、季节特性以及气象敏感性4方面研究了负荷变化的特点,并据其周期性、季节气象因素强作用性特点阐述了提高短期负荷预测精度的可行性,同时使用皮尔逊相关系数法对各季节下不同时刻的温度和湿度与负荷的相关性进行了分析。其次,针对使用固定月份或固定温度对季节性负荷划分不准确的问题,提出了一种结合k-medoids聚类算法以及CART决策树的自适应划分方法对各季节划分规则进行制定,以获得相应的负荷季节模式。通过使用非参数核密度拟合算法对已划分好的各季负荷曲线进行季节典型日负荷曲线提取,并在此基础上使用重要点分割对其进行多分段负荷模式提取,以体现不同时段下温度与湿度作用强度不同的特点。然后,提出一种基于皮尔逊相关系数加权的新型参考日选择算法对参考日进行筛选,同时将筛选结果作为预测模型训练集的输入,并使用基于纵横交叉算法优化的鲁棒极限学习机对各分段负荷模式分别搭建对应的短期负荷预测模型,在获得各分段预测结果后,将其按时间前后顺序进行整合,以获得最终日负荷预测曲线。最后以澳大利亚AEMO电力公司公开的新南威尔士州悉尼市的实时负荷数据、实时温度和实时相对湿度数据进行实验仿真,结果表明所提负荷模式提取算法能较为有效的应用于BP神经网络、支持向量回归以及极限学习机,证明了其普遍适用性,同时在负荷提取模式下,文章所提基于纵横交叉优化的鲁棒极限学习机拥有最低的预测误差,证明该预测算法的有效性。