电力负荷预测是电力系统规划的基础,负荷预测的准确性直接影响到整个电力系统的安全、经济和稳定运行,短期负荷是电力科学调度的依据。然而,电力负荷受经济、温度和电价等多种因素的影响,其本质是一种非线性、非平稳的时间序列。局部特征尺度分解(Local characteristic-scale decomposition,LCD)是一种新的时频分析方法,利用该方法可以将复杂的非平稳信号自适应地分解为若干个瞬时频率具有物理意义的单分量信号之和,非常适合分析非线性非平稳的电力负荷序列。基于此,本文将其应用于负荷预测研究中来,提出了一种基于LCD分解的短期负荷预测模型。首先,针对电力负荷的非线性、非平稳性特点,利用LCD方法将原始电力负荷序列分解为一系列瞬时频率具有物理意义的分量,仔细分析每个分量的影响因素,以更好地把握负荷变化的内在规律,提高负荷预测的精度。其次,为了减少负荷预测的计算规模,提高负荷预测的效率,利用样本熵理论对各个分解得到的分量进行复杂度分析,并以样本熵值的大小为依据重构得到新的子序列。在综合考虑温度及日期类型等因素对各子序列影响的基础上,根据各子序列的特点构造不同的Elman神经网络对各子序列分别进行预测。最后,由于电力负荷预测是一个动态的时间模型,利用静态的BP神经网络对其进行预测难以取得较好的预测效果。因此,本文引入动态的Elman神经网络进行负荷预测。同时为了验证LCD-样本熵-Elman预测模型的有效性,分别建立Elman、BP、LCD-样本熵-BP三种预测模型进行短期负荷预测。仿真结果表明,相比于静态BP神经网络模型,动态Elman神经网络模型具有更高的预测精度,同时也验证了LCD-样本熵分析的有效性,其研究结果对电力生产实际具有一定的指导价值。