近年来,随着分布式能源和新能源逐步并入智能电网,导致负荷潮流变化加大,如何进行准确的短期负荷预测已成为保障智能电网安全健康运行的重要环节。与此同时,智能电网系统所收集整理的大量数据,对传统数据分析模式产生重大影响,也对系统如何挖掘负荷波动因素提出了新的挑战。由于电力负荷波动呈现高度非线性和非平稳性,为凸显负荷波动的随机性、周期性及相关趋势,必须探求一种利用负荷变化机理来提高预测精度的信号分解方法。本文正是通过经验模式(EMD)分解来进行分析的,但由于EMD分解会存在边界效应,所以本文则采用基于竞争迁移学习的信号分解方法来弱化该效应。其中,针对探究负荷变化机理和特征提取的问题,本文提出基于EMD的负荷波动内外因素分析和特征提取的方法。首先,通过对负荷时间序列进行EMD分解,得到随机分量、周期分量和趋势分量;然后,分析各分量的变化规律与影响负荷波动的候选因素之间的关联,推导负荷变化机理,提取负荷预测特征值;最后,进行特征提取的去冗余。该方法不仅能分析出影响负荷自身波动的外部因素和负荷自身变化的内在规律,而且突出了负荷的时间特性,并可去除冗余候选特征数据的干扰。实验表明,本文提出的方法可以推导负荷变化机理,同时还可以有效的提取特征。另外,针对边界问题,本文提出基于竞争迁移学习的EMD方法,实现“边筛分、边延拓”的边界处理机制。该方法首先通过竞争多模型预测值对负荷数据进行延拓;然后采用竞争多模型预测值作为迁移学习的源任务,通过将其迁移到目标任务中减弱EMD的边界效应,与此同时,引入新的信息能更好地掌握未来负荷的变化趋势;最后根据各分量的特点训练出不同的LSSVM预测模型,并利用其来对各分量分别进行预测,重构各分量的预测结果从而得出最终预测值。本文以广东省负荷数据集作为案例进行研究,利用最小二乘支持向量机等不同算法模型与竞争迁移学习方法模型作对比研究。研究结果表明本文提出的方法可有效的提高预测精度,达到预期效果。