短期电力负荷预测可为电网合理安排生产计划、燃料采购计划、维修计划提供重要的决策依据，是电力系统一项非常重要的研究课题。电力负荷预测易受日期类型、天气因素、重大政治经济事件以及其它一些随机因素的影响，准确预测有一定的难度。　　隐马尔科夫模型（HMM）是一种描述双随机过程统计特性的概率模型，具有很强的预测能力，但初始化矩阵的设定对于预测结果影响较大。本文通过单一变量法分析了模型中参数设置对训练精度的影响，提出初始矩阵及观测状态数的设置原则及基于信息熵的隐状态数优化设置方法。论文还通过引入比例因子修正模型训练算法，解决了迭代运算中的数据下溢问题。　　BP神经网络在短期电力负荷预测中也得到了广泛应用，并取得很好的效果。BP神经网络具有很强的学习能力，但存在收敛速度慢、易陷入局部最优等缺点。本文提出利用改进粒子群算法训练 BP神经网络，优化网络参数。在此基础上，将影响负荷预测的日期类型和温度因素作为网络输入，建立短期电力负荷预测模型。　　为进一步提高预测准确率，本文还结合隐马尔可夫模型和 BP神经网络预测模型，提出基于差分进化算法优化权系数的短期电力负荷组合预测方法，克服了单一预测方法的不足，得到了性能更稳定、精度更高的预测模型。　　将以上方法应用于陕西渭南市华县供电局的电力负荷预测上，验证了方法的有效性和实用性。论文对隐马尔可夫模型和 BP神经网络预测模型的改进，较大幅度地提升了预测准确度，在此基础上提出二者相结合的组合预测方法，进一步提升了预测精度，具有较好的理论意义和应用前景。