电力负荷预测的精度的提升,对于提高系统运行的经济性和安全性至关重要。为科学有效制定电力系统发电和供电计划,需充分发挥短期负荷预测在电网运行、机组启停与电力调度、功率交换等方面的重要作用。传统电力负荷预测算法的精度并不理想,特别是在输入输出呈非线性关系时,因此在应用传统电力负荷预测算法时,与包含现代智能算法在内的其他算法相结合能够更有效改良预测效果。在改善电力负荷预测精度方面,本文基于高频分量信号阈值,深入划分设定中频信号,对中频低、中频高和高频信号分别进行无迹卡尔曼滤波及扩展卡尔曼滤波(extended Kalman filter,EKF),从而提高神经网络输入数据质量。同时对于低频信号采用增量方式降低输入噪声,然后设计频率区间预测的指标融合算法,作为神经网络训练和预测的输出指标。最后,通过实验将传统的灰度值预测、改进的神经网络预测与TUKF-WNN预测结果进行对比,证明TUKF-WNN预测方法具有更高的预测精度和更好的适应能力。提出了考虑实时电价的短期负荷预测模型。在电力市场逐步开放的背景下,实时电价将对负荷曲线产生一定的影响,传统预测方法多数未将电价考虑在内。为此,本文基于神经网络,并分别就不考虑实时电价、考虑实时电价、考虑实时电价且利用遗传算法优化进行了实验对比,有效突破了神经网络的固有限制,提高了负荷预测的可靠性。综合考虑包含电价在内的短期负荷预测的多重影响因素,提出多变量时间序列的负荷预测模型。对电价、温度、负荷等多变量进行相空间重构,建立全局的综合预测模型,并经实验证明预测精度能够进一步改善。