短期电力负荷预测对于电力公司的经济运行起到了至关重要的作用,是电力系统规划、计划、调度、用电等决策的重要依据。在短期电力负荷预测中,关键步骤一般有数据集构造,特征值选择和预测模型构建。其中好的数据集构造方法能有效的提升预测模型的预测精度,但是已有研究主要根据电力负荷变化的周期性规律来构造,并没有考虑假日,经济增长,突发事件等随机因素对电力负荷变化规律造成的干扰。另一方面短期电力负荷预测往往是对某一个城市进行预测,其数据集的选择范围通常都局限在该城市本身的历史数据中,同一省份下的大量其它城市的历史电力负荷数据没有得到充分的利用。本文针对以上问题结合广东省实际电力负荷数据进入了深入的研究,主要工作内容如下:1.针对月负荷序列呈现周期性变化规律和受到假日、突发事件等随机因素影响这一双重特点,提出一种均值压缩法来构造电力负荷数据。2.提出基于数据集压缩过滤的短期电力负荷预测方法。采用均值压缩法,将每月数据压缩为一周数据,使压缩后的数据既包含周期性规律又包含节假日等干扰因素影响的随机性,然后依据过滤的相似性准则分析压缩数据,筛选出与预测目标负荷变化规律和趋势相似的月份数据作为训练数据集。3.提出数据集压缩过滤与数据集迁移扩充相结合的短期电力负荷预测方法,在基于压缩过滤的数据集构造方法的基础上,利用已有迁移学习方法分析了近邻城市负荷数据间相似性的基础上,引入负荷增长率以客观反映近邻城市间在气候、人口规模、经济总量与发展速度等各方面的差异性导致的负荷变化规律间的差异性,提出基于负荷增长率的迁移学习方法,通过资源城市选择算法将资源城市数据迁移学习后扩充到目标城市训练数据集中。广东省实际负荷数据的预测案例研究表明,数据集压缩过滤与迁移扩充相结合的短期电力负荷预测方法相对已有的基于KNN-MI数据集构造的短期电力负荷预测方法和相对基于已有迁移学习的短期电力负荷预测方法,在mean absolute percent error 和 mean absolute scaled error 性能指标上,分别降低了 27.1%、22.6%和 9.5%、8.7%。