在大电网逐步迈向智能化、数字化、信息化的同时,智慧校园的规划与建设也持续深入。作为关键一环的电能,其分配的合理性对智慧校园的规划与建设进程的完善起着至关重要的作用。由于电力负荷预测能为电能分配提供有效的指导方案,故本文以智慧校园为工程应用背景,以提高其短期电力负荷预测精度为研究目的,首先提出了一种基于PCAG-KM的校园典型场景分析方法;其次,提出了一种基于快照机制的短期电力负荷组合预测方法;最后,给出了一种面向智慧校园典型场景的短期负荷预测方案,并设计实现了智慧校园电力负荷预测可视化平台,具体工作如下:（1）提出基于PCAG-KM的校园典型场景分析方法。校园中的电力负荷正随着智慧校园建设的持续深入而日趋多元化,校园中各楼栋的电力负荷彼此间既有一定的关联性,也有其各自的独特性。由此,深入挖掘并归纳校园中楼栋所属的典型场景并在后续预测中针对各典型场景建立预测模型,对预测任务精度和工程实用能力的提升有重要的意义。但智慧校园中的负荷数据通常具有多维度、多噪声等特性,传统的聚类算法在该应用中具有局限性:无法提供准确且稳定的聚类结果;且在聚类过程中,聚类算法的好坏对于典型场景挖掘的准确与否十分重要。因此,本文提出一种基于PCAG-KM的典型场景分析方法。该方法首先去除原始数据多维空间中各特征间的关联性,将其处理至低维空间后确定最佳典型场景数k,然后利用GA的全局寻优能力确定最优初始质心。最后将该算法应用到我国东北地区某高校进行典型用电场景的分析,算例分析结果表明该法具有更优秀的典型场景选取能力,且具备实际工程要求的抗噪性和稳定性。（2）提出基于快照机制的短期负荷组合预测方法。针对传统模型难以满足目前电力负荷预测任务精度及稳定性要求的问题,提出一种基于快照机制的短期电力负荷组合预测方法（VMDsnap-LSTM）。首先,针对常用于构建组合预测模型的VMD算法存在需预设对后续预测精度有影响的K值和相加使用该算法分解出的各IMF无法还原为原负荷信号这两点缺陷,提出了一种带快照机制的VMD算法（VMDsnap）;其次,结合VMDsnap算法与长短时记忆网络,构建了一种可有效计及历史负荷内在规律的VMDsnap-LSTM组合预测模型;最后,为验证该预测模型的有效性,将其应用到澳洲四个区域能源市场的电力负荷预测任务中,算例分析结果表明该组合预测方法不仅相较于其他传统预测模型具有更高的预测精度,还具备一定的泛化能力。（3）给出一种面向智慧校园的短期负荷预测方案,并设计实现了智慧校园电力负荷预测可视化平台。针对现代智慧校园中各用电场景电力负荷呈现多样性,基于传统数学统计的预测模型和单一机器学习预测模型难以满足预测精度要求且模型鲁棒性有待提高的问题,给出一种面向智慧校园典型场景的短期负荷预测方案。该预测方案针对k个典型用电场景的用电习惯差异,建立VMDsnap-LSTM预测模型,既能考虑智慧校园中历史负荷数据自身的规律,又能在用电场景层面上计及其所属典型场景与其他场景间的用电习惯差异性。将该预测方案应用到我国东北地区某高校进行负荷预测算例分析,算例分析结果表明本预测方案的预测结果相较其他预测方法在准确性上有较大提升。然后基于该预测方案设计并实现了智慧校园电力负荷预测可视化平台,以可视化的交互界面提供了负荷数据分析服务与短期负荷预测服务,更有效地支撑智慧校园中电力调度、运行维护、设备检修等电力任务。