短期电力负荷预测是电力系统运行调度中一项重要内容，它是系统安全稳定运行的保证。精确的短期负荷预测对实现机组起停机优化组合、经济调度和指导发电企业制定燃料供应计划等具有重要意义，是电能质量管理系统的重要内容之一。 在传统预测方法中，时间序列是应用最广的方法之一。它用线性滤波器的输出来模拟负荷序列，达到预测的目的。然而，传统时间序列预测模型不能很好处理各种非负荷影响要素，已不能适应现代负荷预测精度的要求。 本文对电力负荷时间序列的性质作了深入研究，在对负荷序列的外在特性及各种影响因素有充分的了解和掌握的基础上，引入了外源自回归动平均模型，充分考虑外部输入的影响，可以较精确量化电力负荷与气象因素之间的非线性关系。针对电力负荷具有很强的非线性特征，传统基于梯度搜索的辨识方法容易陷入局部最优的问题，提出了混沌惯性权值粒子群优化算法，利用混沌序列的遍历性，伪随机等特性更新惯性权值，可以较好平衡粒子群算法的全局搜索和局部搜索能力，并且较大程度避免早熟收敛，对测试函数的仿真结果证明本算法的有效性。 本文最后建立了混沌惯性权值粒子群算法辨识的外源自回归动平均预测模型(CPSO_ARMAX)，通过对上海电网负荷的预测仿真，可以发现本方法具有很高的精度。