短期电力负荷预测是保证电力系统安全、稳定、经济运行的重要基础,主要用于预测提前一天至数天的负荷分布情况。精确的短期负荷预测结果有助于指导和确定发电机组的启用和停止,协调各电网公司之间的供需平衡以及电网设备的计划检修,减少资源浪费和用电成本,提升电网运作的经济效益。本文基于负荷数据与各影响因素之间的关系,以及数据自身的底层变化趋势,分别利用改进温湿度变量结合ES-LASSO模型方法,DMD-NARX模型方法对短期负荷进行预测,并使用实际负荷数据对两种方法进行验证。本文主要工作内容如下:(1)研究短期负荷预测模型中输入特征的构建。该部分首先介绍了负荷数据常用的预处理及归一化方法;然后通过分析短期负荷自身的规律特性,以及影响负荷变化的外部因素,确定预测模型的输入特征范围;最后使用特征提取、量化以及选择方法在输入特征范围中选择输入特征子集。(2)提出基于改进温湿度变量和ES-LASSO模型的短期负荷预测方法。首先利用改进的温湿度多形式变量作为模型输入变量;然后根据周特性变化对负荷进行分层,对各层负荷建立基于LASSO的预测模型,并使用ES求解算法剔除冗余输入变量;最后通过计算剩余变量对应的系数从而进一步估计出各时段负荷的分布。实例分析结果验证了所提出方法构造模型的预测精度及鲁棒性。(3)提出基于DMD-NARX模型的短期负荷预测方法。首先根据ACF分析历史负荷数据的结果,构建预测日输入特征集合;然后使用Hankel矩阵将归一化后的单变量输入特征序列转换为多维数据矩阵,并通过DMD方法对多维数据矩阵进行特征分解和动态模态估计;最后将估计出的动态模态作为NARX神经网络的外部输入特征从而估算出预测日各时段的负荷数据。实例分析结果表明了模型能有效提高负荷预测精度。(4)研究两种方法与各对比方法的对比情况。首先将改进温湿度变量结合ES-LASSO模型方法在不同输入变量和求解算法条件下进行对比分析;然后将DMD-NARX模型方法与传统神经网络模型方法和机器学习模型方法进行对比分析;最后将论文所提两种模型方法进行对比分析。综合对比分析的结果,证实了两种短期负荷预测方法的有效性和稳定性。