短期电力负荷预测在电力系统中起着至关重要的作用。本文针对短期电力负荷预测，给出一种基于自适应分解和粒子群优化多模型综合模糊推理的负荷预测方法。该方法首先讨论电力负荷及其变化的规律性，利用快速傅立叶变换将原始负荷数据分解为反映随机变化的高频部分和反映趋势规律性的低频部分。接着，根据随机因素所占比例定义描述局部负荷变化情况的随机性指标，并依据该指标确定预测系统的输入向量。随后，考虑到负荷变化规律的时段差异性，采用聚类分析方法将负荷预测时刻分为若干模糊分区。进一步，利用支持向量机对各区段分别建立区段预测子模型。最后，将多模型综合预测过程描述成一组模糊推理规则，依据输入向量与各核心支持向量的距离确定模糊综合推理中各子模型预测输出的权重，并利用粒子群方法优化预测系统的参数，得到完整的自适应分区多模型综合模糊推理的短期电力负荷预测模型。　　模糊逻辑系统侧重于自然语言的理解，粒子群是一种建立在模拟鸟群捕食行为上的智能搜索算法，粒子群优化模糊推理的预测方法正是综合了两者优势的一种混合智能系统。在已知历史负荷的情形下，利用本研究方案对未来负荷时间序列做出预估，比利用分区支持向量机模型的方案具有更好的稳定性和泛化能力。最后本文采用局地电力负荷预测实验证明了这一点。