短期负荷预测是电力调度部门的重要工作之一,负荷预测的精度直接影响到电网的安全、经济和稳定运行。影响电力负荷的因素很多,这些因素对负荷的影响具有非线性、复杂性、滞后性等特点。本文利用数据挖掘技术对各种非负荷因素对负荷影响进行了挖掘,提出了一种决策树技术和时间序列相结合的短期负荷预测算法,并在此基础上实现了基于DotNet架构的短期负荷预测系统。数据挖掘技术能够从大量数据中提取人们所感兴趣的潜在知识和信息。本文概述了数据挖掘技术的有关内容;并针对负荷预测的实际情况,详细介绍了数据挖掘中的两个基本任务:探索性数据分析和用于分类的预测建模,并将其运用于负荷预测之中;根据所得结果提出了一种基于数据挖掘的短期负荷预测算法,该算法能够有效的考虑气象因素对负荷的影响,从而提高了负荷预测的精度。本文利用负荷的纵向相似性和横向相似性对负荷坏数据进行了辨识和修正,并采用小波分析和分时段分析的方法剔除了负荷序列中的长期增长分量,减少了负荷高速增长对负荷预测精度的影响。采用分类与回归树算法对气象等非负荷因素对负荷的影响进行了分析,得到了气象等相关因素和负荷之间关系的决策树形式知识表达,并在此基础上提出了一种决策树技术和时间序列相结合的短期负荷预测新算法。该算法能很好的将挖掘所得知识用于短期负荷预测当中,有效的考虑了气象等因素对负荷的影响,又考虑到了负荷的时间序列特征,具有计算速度快,精度较高等特点。在以上工作的基础上,实现了一套基于DotNet架构的短期负荷预测系统。论文详细介绍了在电力市场条件下短期负荷预测系统的需求及系统的结构和功能实现,并对系统开发实现中遇到的一些具体问题进行了分析和探讨。论文最后对系统实际运行数据进行了分析,得出了影响负荷预测精度的主要因素。