目前电力系统计算机数字仿真技术是电力系统规划、运行、控制和决策的主要手段，其中影响仿真结果精度和可信度最为重要的因素是负荷模型。因为电力系统负荷自身的随机性、多样的变化性、地域分散和非线性等特征，让电力负荷建模成为电力系统界公认的一大难题。　　在电力系统负荷建模研究中，长久以来深受关注的最基本和最关键的焦点之一就是负荷模型结构。因为电力系统综合负荷自身结构的复杂，如果只是使用静态或动态负荷模型就很难精确的描绘出其中的复杂特性，那么使用静态模型与动态模型相结合的综合负荷模型就成为趋势。随着对电力负荷研究的深入，负荷的数学模型已较为成熟，但因为负荷的复杂性使得模型参数的获取变得困难，而参数准确程度又直接影响了负荷模型的有效性，因此研究负荷模型的参数辨识具有重要意义。　　负荷参数识别算法对负荷模型参数的平稳性有着非常重要的意义，若辨识算法不具有很好的全局收敛性，则辨识出的电力系统负荷模型就不具有实际应用的实用性。为了解决负荷模型参数辨识结果平稳性这一困扰模型应用的难题，本文提出了一种适用于综合负荷模型参数识别的组合识别算法。本文通过研究对比了粒子群算法与遗传算法在负荷识别上的各自优缺点，针对粒子群算法容易陷入局部最优的缺点和遗传算法不易出现局部最优的优点，将遗传算法与粒子群算法结合，通过粒子群算法优化搜索训练神经网络的权值和阈值，有效避免了粒子群算法的局部收敛问题。基于实测数据的算例结果表明：组合识别算法提高了识别结果的精度，减少了识别误差，有效控制了参数分散性，具有较好的工程实用价值。