微电网短期负荷预测是微电网安全、节能和高效运行的保证,它有助于微电网的优化调度和能量管理。微电网负荷随机性强容易受到外界因素影响而产生较大的波动,从而导致对其预测时预测的效果往往都不太理想。所以,本文针对如何提高微电网短期负荷预测的精度而展开研究。面对微电网预测中历史数据会出现异常数据的现象,对收集的数据进行辨识、补全和修正处理,并对相关数据进行了归一化。分析了微电网负荷的特性,并重点研究微电网负荷在日周期和周周期时间维度上的变化规律。针对数据之间存在联系和隐含信息的问题,提出利用数据挖掘技术对其进行分析的方法。采用相关性分析方法对数据进行研究,根据微电网负荷的特性曲线,确定各个影响因素与负荷之间的依存关系和相关程度。使用主成分分析方法对历史数据考虑较多因素而导致数据维数众多的问题进行降维,去除数据间的冗余信息得到维度较少的处理数据,并将其作为改进模型的输入数据,提高预测模型的预测效果。本文选取的微电网的负荷与外界影响因素之间有很强的相关性,考虑到BP神经网络具有很好的逼近效果和自适应能力,首先建立考虑多种影响因素的BP神经网络预测模型。其次针对BP神经网络存在预测效果不佳、算法收敛速度慢以及容易陷入局部最优解等问题,提出了一种思维进化算法和BP神经网络相结合的方法,通过优化网络的权值以及阈值来改善BP神经网络算法的不足,进而达到提高预测效果的目的。最后结合主成分分析方法建立了PCA-MEA-BP神经网络的微电网短期负荷预测模型,通过MATLAB仿真,验证了本文所改进的BP神经网络预测模型对微电网短期负荷的预测精度要优于传统的BP和GA-BP神经网络,预测负荷值与实际值更加吻合。