作为电力系统的重要一环,电力负荷预测是电网规划与调度的重要依据。准确的短期电力负荷预测,不仅能够节约资源,降低经济成本,还有助于保障电网的安全。本文针对短期负荷预测中存在的准确率不高与稳定性不强的问题,给出四种新方法:第一,基于相似历史情境筛选改进支持向量机（Support Vector Machine,SVM）的短期负荷预测方法。针对相似日方法颗粒太大,不能充分挖掘并利用历史数据,普适性不高的不足,引入更一般性的相似历史情境概念,设计了基于相似历史情境筛选改进支持向量机的预测方法。该方法首先采用相关性分析方法对历史时刻电力负荷进行分析,确定预测特征候选集。进而,借助对时间序列历史数据的输入输出关系化展开,构建预测相空间。随后,借助情境相似性分析,筛选相似度的历史情境,优化训练数据的组成结构。最后,使用带高斯核函数的SVM对结构优化后的训练数据进行学习建模,实现基于历史相似情境的电力负荷预测。实例分析结果显示,与传统的SVM方法相比,相似历史情境筛选改进的SVM方法将预测准确率与稳定性分别提升0.493、0.268个百分点。特别地,相似历史情境筛选的训练数据组织方式对决策树、偏最小二乘等多种预测方法的预测性能均有较明显的提升,提升量在0.1到2个百分点左右。第二,基于变权综合核函数改进相似情境SVM的短期负荷预测方法。针对单一核函数SVM预测准确率与稳定性难以满足应用需求的问题,设计了变权综合核函数,给出综合核函数改进相似情境SVM的预测方法。该方法首先分析高斯、多项式等多种核函数的特性,进而使用相似情境集分别训练带有不同核函数的SVM。其次,引入预测有效度指标,并设计仿真实验测试模型预测性能。最后,依据测试结果构造核函数变权,借助核函数的变权综合构造预测性能更高,稳定性更强的变权综合核函数SVM。实例分析表明,变权综合核函数改进相似情境SVM较相似历史情境筛选改进SVM,预测准确率与稳定性有进一步的提升。第三,基于多空间高斯核SVM变权综合的短期负荷预测方法。针对单模型预测方法的预测性能容易波动,其准确率和稳定性都很难保障的问题,引入预测相空间的概念,提出通过在不同预测相空间上同时训练多个彼此差异明显,互补性更强的预测模型,借助跨空间多模型综合集成进一步提升预测性能的研究思路,设计了基于变权综合的多模型集成模式,给出基于多空间高斯核SVM变权综合的预测方法。该方法首先借助加权相关度进行预测特征选取,进而随机选择相关度较高的部分历史负荷作为预测输入,通过历史负荷和数据的输入输出关系化展开建立系列预测相空间。其次,使用高斯核SVM建立各预测相空间上分别建立测模型,采用重抽样技术设计仿真实验测试各模型的预测性能,并基于性能分配模型权重。最后,通过多模型变权综合实现电力负荷的集成预测。实例分析表明,基于多个预测相空间分别建模并变权综合的集成预测方法能在保障预测准确率的同时显著提升预测稳定性。第四,基于多空间相似情境改进SVM变权综合的短期负荷预测方法。该方法尝试综合应用前述相似情境筛选和多空间预测模型变权综合集成方法,进一步提升预测性能。首先,构造多个预测相空间,并在每一个预测相空间中进行相似历史情境筛选,使用相似情境改进SVM方法学习系列空间子模型,并设计仿真实验测试它们的性能。其次,计算待预测情境在不同预测相空间上的投影与该空间上用于建模的相似历史情境的情景相似度,并基于情境相似度设计空间子模型常权,基于空间子模型预测性能状态设计状态调权。最后,通过叠加相似度常权与预测性能状态调权得到空间子模型的变权权重,借助多空间变权综合实现短期负荷集成预测。设计两个独立的仿真实验进行对模型预测性能进行测试,并于目前常用的预测方法进行对比分析。实验结果表明,该方法较变权综合核函数改进相似情境SVM、多空间高斯核SVM变权综合、相似历史情境筛选改进SVM、随机森林、决策树集成、决策树以及偏最小二乘预测等目前常用预测方法,拥有更高的准确率与更强的稳定性。综上所述,相似情境筛选和多空间预测模型变权综合集成都是有效的改进模型预测性能方法,具有一定的普适性。其中,多模型集成对预测稳定性有较为显著的提升。但这并不是无止境的,随着模型的增多其继续改进的能力逐渐下降,并且模型复杂需要调试优化的参数也就越多,模型训练的难度也更大,更多时候我们需要在性能和复杂度之间做一个折中。此外,本文模型的参数大多是通过变参数调试来选择设定的,如果使用粒子群方法优化模型参数,其预测性能还有望进一步提升。