Bates和Granger提出组合预测方法以来,组合预测的研究已经取得了很大的发展.组合预测能充分利用各方面的有效信息,从而提高预测精度,其关键是确定单项预测模型的权重.组合权重可分为不变权重和时变权重。不变权重的确定方法已比较成熟,然而不变权重的组合预测很难适应现实预测中复杂多变的特点,无法反应单项预测模型“时好时坏”的现象.时变权重随时间变化而发生改变,能反应各单项预测模型的变化情况,但时变权重的研究起步较晚,确定比较困难.贝叶斯方法能有效的确定时变权重,它可以清楚的表示信息更新过程,能适应时变权重随时间变化的特点.利用贝叶斯方法不但可以充分利用各个预测方法提供的实际信息,还可以充分的将主观信息与模型或数据信息结合起来.这对于适应性地更新模型的权重有重要意义.贝叶斯组合预测方法主要有两种思路：第一种是运用后验概率分配到各单一预测模型,作为单项预测模型的权重.第二种是利用贝叶斯准则获得最优组合形式与最优组合权重.其中最具代表性的贝叶斯模型平均能有效降低模型及参数的不确定性,取得了较好的预测效果.本文对边际似然估计后验概率的传统方法进行了扩展,介绍了一种基于预测似然的贝叶斯模型平均新方法,克服了边际似然估计后验概率时过分依赖于先验信息的问题.同时,通过将已知样本分为训练样本和测试样本,使基于预测似然的贝叶斯模型平均具有了小样本性质,并有效避免了过拟合现象.最后,将这种方法首次应用于电力负荷预测.研究结果表明,预测似然确定的模型权重与模型的选择具有渐近性,且预测精度较高.