在电网商业化的运营机制中，短期负荷预测不仅是电网运营效益的指南针，而且对于中、长期负荷预测的调整具有重要的参考价值。因此，多年来短期负荷预测一直是人们研究的重点。由于不同的供电区域有不同的需求，采用分散式的负荷管理方式，能够实现更好的负荷管理方案，这样就提出了在变电站作母线负荷预测的要求。 本文首先分析了成都地区某变电站的母线负荷特性，论述了母线负荷的构成、特点及其预测的难点，阐明了母线负荷预测工作的必要性及其研究方向。在此基础上，将累积式自回归动平均模型(ARIMA)应用于母线负荷预测，提出了对历史负荷序列作正态化分布变换以降低随机模型的阶数，并用一个实际算例对比序列变换前后随机模型在同样阶数下的残差序列，验证了这种方法对于提高参数估计的精度、加快计算速度是极为有效的。 为了处理温度等天气因素与母线负荷的非线性关系，本文将三层前馈的BP型人工神经网络模型应用于母线负荷预测。提出了应用关联度分析的方法量化各变量之间的关联程度，通过综合分析历史负荷与其相关因素的关联度以及负荷序列自身的自相关系数选取神经网络的输入变量，更合理地提取了对母线负荷预测最为有效的变量，从而确定简单有效的网络结构。从关联度分析的角度说明了日负荷波峰、波谷附近预测误差较大的原因，并提出引入预测日前一天预测时刻的负荷变化率为网络的输入变量以改善峰、谷处的预测精度。通过对成都地区某变电站的母线负荷的预测表明该模型的预测精度高于未考虑 叫川人学帧【：学位论义温度因素的ARIMA模型。 在对ARIMA与BP型人工神经网络模型应用于母线负荷预测的研究基础上，为了进一步提高预测精度，本文基于序列预测结果最优可信度的原则，提出了一种以各时段残差平方和最小为目标函数的综合预测模型，结合了两种模型的优点，获得了高于任何一种单一模型的预测结果。 本文提出的算法在如何建立简单合理的母线负荷预测模型方面有一定的创新，模型结构简单、计算速度快，预测精度较高，有一定的实用意义。