短期负荷预测是能量管理系统的组成部分,也是电力系统运行调度中的重要内容,对电力系统的运行、控制和计划都有着非常重要的意义,其预测精度的高低直接影响到电力系统的安全性和经济性。为使电力系统合理调度,制定合理的发电计划、减少发电成本、节能减排、降低旋转储备量,避免重大事故、减少操作风险,决定发电机组的安装容量大小,等等,应提高电力负荷预测的技术水平。可见,负荷预测先期定量的精准程度是电力企业管理迈进现代化的衡量标尺之一。电力系统负荷预测在经过很多年的发展已经形成了很多预测方法,其中有很多已经非常成熟,并开始运用于社会生产中。在现有的预测方法中,不同的预测方法有其自身的优缺点。电力系统负荷易受到政治、历史负荷值、天气和时间的影响,因而具有非线性和多频性。用已有的负荷预测方法单独去预测电力负荷,无法很好地捕捉到电力系统负荷的多频性与非线性。基于此,本文根据已有预测方法的优缺点,提出“分解-多模型组合预测-集成”的预测方法,旨在充分利用电力系统负荷的多频性与非线性。在现有的研究中,已经有人使用经验模态分解(EMD)对负荷进行分解,但EMD在分解过程中会出现模态混叠和虚假分量。因此本文首先使用建立在经验模态分解方法(EMD)基础上的集合经验模态分解(EEMD)以此改善信号分解过程中出现的模态混叠现象和虚假分量,并使用该分解方法对电力负荷数据进行分解,得到具有不同特征的模态分量,并根据其波动特征分为高频分量、中频分量和低频分量。然后根据各频分量的波动特点,分别使用小波神经网络法、非线性自回归模型法和支持向量机法对高频、中频、低频分量进行预测,以此来改善单模型预测方法带来的局限性,并充分利用电力系统负荷的多频性。此外,在预测过程中使用粒子群优化算法对各个预测模型的参数进行寻优,以此提高各模型预测精度。在得到各频分量的预测值后,通过支持向量机法进行集成,即以各分量的样本值作为训练输入,实际负荷值作为训练输出,训练模型。模型训练完成后,以各分量预测值作为输入,通过训练好的模型将各频分量预测值进行集成,得到最终的电力系统负荷预测值。最后采用西安地调和榆林地调某年的数据为研究样本,即在建立好上述的预测模型后,分别将两个地区的数输入至模型中进行电力负荷预测。在预测结束后,将最终的预测结果通过平均绝对误差(MAE)、均方根误差(RMSE)和平均绝对相对误差(MAPE)与单一预测模型和EMD分解模型进行比较。通过对比发现,本文使用的方法较其他方法预测精度更加精确。