通过数据处理、算法优化，并采用合适的现代预测模型，本文针对电力系统超短期负荷预测所独有的特点和关键问题，深入分析了这些预测算法和模型所具有的一些固有理论缺陷及其应用于超短期负荷预测中所存在的一些问题，进行了模型改进与算法优化，使负荷预测模型在精度上有所改进。　　 首先是针对输入数据的处理、分析与简化，采取了数据挖掘与统计学处理方法进行数据处理，明确影响因素的物理意义，采用主成分分析与聚类分析对历史数据进行了简化、分类与聚类，并对日期类型的感性分类进行了理论上的证明，为定量研究各种因素对超短期负荷的影响提供可行的参考，并达到简化数据结构与优化预测模型的目的。在此基础上，针对超短期负荷预测，在数据处理的基础上，对其预测模型进行了深入的分析，现提出了模型的改进和优化，主要包括：　　 (一)针对应用于超短期负荷预测的人工神经网络方法，提出了能够对确定性负荷影响因素分析的方法，通过建立结构化的神经网络模型，分别建立历史负荷数据模型、天气状况模型、日期类型模型和全结合模型等不同输入模型对负荷序列进行预测，实现对预测因素选择理由的解释。　　 (二)对于灰色模型应用于超短期负荷预测中所存在的一些问题，通过负荷分段、输入数据结构化处理、背景值系数处理等手段，对模型本身的内部与外部结构等进行了一定的优化，引入残差评价系统对预测结果进行评价以达到提高预测精度的最终目的。　　 (三)在用小波变换进行超短期负荷预测的基础上，首次提出了将小波包变换、周期自回归模型与人工神经网络三者相结合来进行超短期负荷预测的新方法，通过将负荷序列通过小波包分解到不同的尺度上的子负荷序列，根据它们不同的特点采用相应的预测方法进行预测，最终将各个子序列的负荷预测结果通过小波包重构得到最终的预测结果。　　 (四)不仅如此，根据最优组合预测方法的算法可知，其预测误差平方和不大于参加组合预测的各个单一预测方法预测误差平方和的最小者，因此，最优组合预测模型的性能优于参与组合的个体模型，本文采用最优决策理论将应用不同输入模型的人工神经网络模型、改进的灰色模型与小波包超短期负荷预测模型组合起来，以建立具有高精度的完整的电力系统超短期负荷预测模型。