短期负荷预测主要用于预测未来几小时、1天甚至几天的负荷，对电力系统运行的安全性和经济性具有重要意义。时间序列模型在国际和国内的电力系统短期负荷预测中得到了广泛应用。然而，目前在该领域中广泛使用的时间序列模型为单一变量的时间序列模型。其只是对过去的电力负荷数据进行处理,以力图找出负荷变化规律,并在此基础上进行预测。显然，这种方法的主要缺点是无法将影响负荷预测的主要因素之一即气象因素考虑进去。在此背景下，本文做了大量的工作，主要成果如下：（1）提出了计及温度影响的时间序列模型。该模型将回归模型与累积式自回归移动平均模型相结合。建模流程是：首先利用预测残差平方和准则选择回归变量，然后基于负荷和回归变量建立了负荷预测的回归模型。最后构造了回归模型残差累积式自回归移动平均模型并对回归模型进行修正。（2）为更好地解释温度对负荷的影响，提出了基于时间序列分解的短期负荷预测传递函数模型。建模流程是：首先基于历史负荷数据，采用时间序列分解模型提取出负荷中的周期分量，得到剔除周期分量后的非周期分量。在此基础上，首先采用逐步回归法筛选出影响负荷非周期分量的主要因素，之后发展了预测负荷非周期分量的传递函数模型。（3）为进一步提高模型预测精度，提出了基于频域分解的短期负荷预测传递函数模型。建模流程是：首先用频域分解算法提取出负荷中的周周期分量和日周期分量，然后采用与非周期分量相同的建模方案，建立了剩余分量的传递函数模型。算例结果表明，本文所提出的三种模型能够有效地提高时间序列模型的预测精度和气象适应性。