保障高质量的电力供应对于现代社会的生产和生活的正常运作越来越重要，短期负荷预测正是重要的保障措施。智能电网中许多运行和决策，如电能的高效配送、可靠性分析、电力设备维修计划等，都是基于准确的负荷预测。依时间跨度不同，负荷预测可分为：超短期负荷预测、短期负荷预测、中期负荷预测和长期负荷预测。其中短期负荷预测是智能电网日常生产管理工作的基础。负荷预测主要是利用历史负荷数据，采用合适的预测方法估计未来某一时间的负荷值。传统的短期负荷预测技术主要是基于统计理论，虽简单且易理解，但对日趋复杂的电网却力有不逮。特别是在微网中，当负荷变化较剧烈时预测误差会增大。因此基于人工智能的短期负荷预测技术越来越受重视，尤其是人工神经网络技术。人工神经网络强大的非线性映射能力、鲁棒性以及自适应样本数据能力已经成为短期负荷预测中技术的首要之选。本文在比较了多种短期负荷预测技术的基础上，针对短期负荷具有强烈波动性的特点，确定使用多分类器系统进行短期负荷预测。以径向基神经网络作为基分类器，并使用局部泛化误差模型以确定神经网络的结构与参数选择。针对局部泛化误差模型计算量大，难以满足在线短期负荷预测对时间的要求，采用了一种改进的K-means方法和矩阵并行计算方法降低时间复杂度。同时针对短期负荷强烈的复杂性、波动性和在线预测要求，在融合基分类器时候采用动态调整基分类器权值的方法。根据基分类器最近一次预测的效果，自适应地调整多分类器系统的结构和参数，平滑了基分类器负荷预测的错误突变，从而获得最优的预测性能和效率。本文采用了真实的历史负荷数据进行实验对比，对数据进行了有效的预处理以保证数据合理性。实验结果表明本文提出的方法比现有一些人工智能方法取得了更准确的预测结果。