电力系统的负荷预测能帮助电网相关部门更合理的安排电能的生产以及规划,同时也是电力系统运行管理的重要研究课题。如今,电能渗透在我们生活的各个方面,影响着整个社会和国家的经济,为了实现电力系统安全稳定的目标,确保精确的负荷预测意义重大。但是,当具有不确定性更高的负荷,如电动汽车充电桩,储能等新的负荷接入电网时,这加大了电力系统的复杂程度,同时也提升了负荷预测的难度。随着电力行业的发展,传统的负荷预测方法很难保持很高的预测精度。现今,已经有大量的学者将研究课题放在电力系统的负荷预测或者是电动汽车充电桩等不确定性负荷上,从而涌现了大量的新负荷预测算法,如神经网络,深度学习,时间序列法等。这些算法能提取学习历史数据中的隐藏特征,进而在负荷预测领域表现出较好的效果。本文对电力系统短期负荷预测的研究背景和意义进行了阐述,同时对短期负荷预测的研究现状进行了描述。在对电力系统负荷的不确定性和基本变化特征进行分析之后,本文选择了Prophet预测模型,该模型在分析学习时间序列数据上表现十分出色,它由趋势项,周期项,节假日项等部分组成,但是该模型容易在各个加法项的部分过拟合或者欠拟合,进而影响最终的预测结果,因此本文采用组合模型,用LSTM神经网络和Prophet通过最小二乘法取权重组合而成,Prophet-LSTM模型在继承了Prophet的长处之外,还体现了LSTM神经网络在分析学习长期历史数据中的隐藏特征的能力,并用算例分析验证了该组合模型具有较好的预测效果。由于电动汽车等不确定性更高的负荷接入电网,给电网带了不可忽视的影响,本文以它作为特殊负荷来分析。与电力系统整体负荷不同的是,电动汽车充电桩负荷的波动具有更大的不确定性和不规律性,因此,提出了一种基于小波变换的Prophet-LSTM组合模型的电动汽车充电桩负荷预测方法。小波变换能把波动性较大的数据分解成含有大量特征值的分量和若干个平稳的比较有规律性变化趋势的分量,使原始信号变得更有确定性和较小的波动性,然后对分解后的分量分别采用LSTM预测模型进行预测,然后把预测的结果进行重构,从而得到由LSTM预测模型预测结果,同时将原始数据输入给Prophet预测模型得到预测结果,这时,将LSTM和Prophet模型的预测结果通过最小二乘法取权重组合起来。实验证明基于小波分解改进后的Prophet-LSTM模型比传统的Prophet-LSTM模型在电动汽车负荷预测上具有更高的预测精度和更好的实用性。