客观世界中的非线性系统，往往内部结构复杂，采用单一的模型仅能体现局部，多个模型的有效组合能显著地提高预测精度.电力系统短期负荷预测是电力部门的一项重要工作，关系到电力系统的调度运行和生产计划.准确的负荷预测有助于提高系统的安全性和稳定性，能够减少发电成本.然而由于短期负荷预测问题的复杂性，因而都不可避免的表现出一定的局限性.随着电力系统规模日趋庞大，电力负荷的准确预测更加迫切.总体的发展趋势体现在几个方面：一是预测模型从简单到复杂；二是影响负荷的变化因素的计及；三是智能技术的运用；四是从单一模型预测到多模型组合预测.本文研究第四个方面.　　 粗糙集理论是处理不确定性信息的数学工具，可以对数据进行分析和推理，从中发现隐含的知识，揭示潜在的规律.而电力系统负荷预测就是从已知的历史数据中挖掘出隐含其中的知识信息，进而利用这些规律对未来的负荷量进行预测.然而，传统的统计分析方法建模时往往缺乏自学习能力，由于初始化数据的随机性，可能导致多次预测结果不尽相同.本文主要研究运用粗糙集理论进行短期电力负荷预测.主要工作如下：　　 首先，基于粗糙集理论在处理不确定信息及数据分析和挖掘等方面的优点，建立了基于相关历史负荷数据的初始信息表，并运用粗糙集理论实现了决策表的离散化、属性约简及决策规则的生成，其决策规则的生成仅利用数据本身提供的信息，无须任何先验知识，进而根据得到的决策规则实现了电力系统日负荷预测，建立了一种粗糙集理论负荷预测模型.　　 其次，研究了组合预测模型权重系数的确定问题，探讨了利用粗糙集理论中的信息熵确定权重系数的方法，选用两种不同的权重系数，建立了两种不同的短期负荷预测模型.利用所得组合预测模型对某市日负荷进行了预测，通过预测数据相对误差、平均相对误差的分析和比较，说明模型有效地降低了预测的风险，验证了组合预测方法的可行性和有效性.