现阶段,我国国民经济正在飞跃发展,人民生活水平越来越高,这一切发展和变化都离不开电力系统的支撑,可以说电力产业的稳定发展是国民经济发展的重要基石,没有先进完善的电力系统就没有社会经济的发展。作为电力系统中不可或缺的技术,负荷预测的精确度与电力系统是否稳健运行息息相关。另一方面,对电力厂商来说,负荷预测可以为制定合理电价,电力实时调度提供重要依据。但在实际情况中,负荷数据又受到多方面因素的影响,如天气情况、人类社会活动、社会经济状况等,这些都作为不确定因素隐藏在负荷数据中,给电力负荷预测增加了许多困难,也正因如此,如何提高负荷预测精确度已成为该领域学者研究的热点问题。本文首先说明了电力负荷预测的选题背景及其对社会经济的重要意义,分析了影响电力负荷的多方面因素,简要论述了电力预测分析的基本模型,并介绍了电力负荷预测常用的基本方法。本文重点介绍了几种简单预测模型的基本原理,提出了一种新的组合预测方法,主要内容包括以下几个方面:说明了为什么必须要在预测之前对负荷数据进行降噪等预处理。应用经验模式分解(EMD)法去除原始数据中部分噪音成分,并使用消除季节指数的方法来消除时间周期性对电力负荷的影响。在预测之前对所有数据归一化,以此提高本文所提出的组合模型的预测精度。对神经网络的基本原理进行了系统介绍,详细说明了三种预测方法的原理及其优缺点。本文建立了广义回归神经网络(GRNN),Elman神经网络(ENN)和最小二乘支持向量机(LSSVM)三种预测模型,并对比了三种预测方法的不同。LSSVM方法对数据预测时,参数对结果的影响较为明显,因此本文用粒子群算法PSO将LSSVM的参数作进一步优化。最后用模拟退火算法来优化三个模型预测结果的权重系数,以此来改善组合预测模型的预测性能,然后输出最终结果。本文将预测模型用于预测澳大利亚QLD州和NSW州的电力负荷,通过仿真实验可以得出,该预测模型可以得到良好的预测结果,对历史负荷数据有较好的处理能力,且由于仿真对象为不同地区不同时间的负荷数据,也说明该组合模型泛化能力较好。本文也将该组合模型和单一预测模型的结果进行了对比,结果表明组合模型的预测误差明显小于单个模型的预测误差。