电力负荷预测是电力系统安全稳定运行的基础,同时也是电力部门制定供电计划的重要依据。作为典型的非平稳时间序列,对电力负荷序列进行稳定准确有效预测的难度大,并且随着电力行业市场化改革的不断深入,人们对电力负荷预测准确率的要求也越来越高。因此,研究电力负荷预测问题具有重要的理论和应用价值。本文针对区域电力负荷短期预测难题,给出一种基于经验模态分解重组改进支持向量回归（Empirical Mode Decomposition and Regroup improved Support Vector Regression,EMDRISVR）的新预测方法。该方法首先利用经验模态分解方法将电力负荷序列分解成为多个子成分序列,进而将其分类重组成高频模态、低频模态以及余项三个子序列。随后,给出基于网格搜索法优化参数的改进支持向量回归方法,分别对这三个子序列进行预测,并加和得到最终的预测结果。最后,使用美国弗吉尼亚州城市里士满（Richmond）的电力负荷数据设计仿真实验,并借助平均绝对百分比误差、均方根误差、方向变化统计量等给出的具体三个指标评估模型的预测性能。实验结果表明,基于经验模态分解重组改进支持向量回归预测方法与传统的支持向量回归方法相比:平均绝对百分比误差（MAPE）减少约0.59%,方向变化统计量表现提高了9个百分点左右。综上所述,借助基于经验模态分解和分类重组将电力负荷时间序列展开为各不同视角下的子序列,增强了子序列的内在规律性,降低了预测的复杂性。今后可进一步研究电力负荷时间序列分解重组的参数和结构优化问题,或者在分解重组框架下研究长短期记忆神经网路、模糊推理预测等预测方法的改进问题等。