电力系统负荷预测是电力系统规划与运行的基础，是电力市场运作中的重要组成部分。在电力市场化过程中，负荷预测的精度直接关系到各方利益。目前，负荷预测的模型很多，单项模型不能完全反映电力负荷的变化规律和信息，负荷组合预测模型成为研究新发展。本文通过对电力负荷预测内涵、特点和常用的几种负荷预测方法进行了详细的介绍，论述了组合预测的概念和意义，引入了定权组合预测模型，介绍了几种常见的定权模型确定权系数的方法，并对定权组合预测模型进行了仿真，验证了组合预测模型相对单项模型的优越性。另外，本文重点讨论了三种变权组合预测模型，即基于神经网络的组合预测模型、基于支持向量机的组合预测模型以及模糊变权重组合预测模型，并对各种变权重组合预测模型进行了仿真研究，验证了变权组合预测模型的优越性。本文提出了一种提高神经网络预测可靠性的新方法，将目前常用的三种神经网络的预测结果进行变权组合，可以避免单个神经网络出现“过拟合”现象等问题时预测精度大幅度降低的风险，提高了预测的可靠性。为提高负荷预测精度，本文给出了一种五层模糊神经网络的变权组合预测模型，模糊神经网络的输入为误差和误差变化率，输出为权重系数。该模型将模糊逻辑和神经网络的长处融合在一起，使模糊推理和解模糊均通过神经网络来实现。仿真结果表明此模型比模糊变权重组合预测模型具有更高的预测精度。针对神经网络在输入变量选择问题上存在的缺陷，本文提出不考虑影响负荷的所有因素，仅用混沌理论处理后的负荷样本作为神经网络的输入。但是这种不考虑影响因素的方法不能明显提高预测精度，因此本文引入一种只考虑影响因素的样本处理方法，将这两种方法的预测结果进行组合预测。仿真结果表明将这两种方法组合是可行的和有效的。