一直以来，电力系统短期负荷预测都是电力领域研究的热门课题，同时也是调度、用电等管理部门的重要工作之一。负荷预测是指在对历史数据的研究和分析的基础上，对未来负荷情况进行科学合理的预测。准确的电力负荷预测是管理人员制定合理发电计划的重要依据，预测精度的高低对电力系统运行的安全性、可靠性和经济性都有着重要影响。　　鉴于负荷原始序列多毛刺以及神经网络学习易陷入局部最优问题，本文给出一种结构为“分解-重构-优化神经网络-预测-综合”的基于小波理论和纵横交叉算法优化神经网络的预测新方法。首先使用小波变换将负荷原始序列作三层分解与重构，将得到的与原始负荷序列长度相同的不同频段四个子序列分别输入BP神经网络进行学习训练，针对神经网络在训练过程中容易陷入局部最优的问题，在此将一种新的群智能搜索算法——纵横交叉算法引入，该算法通过横向和纵向两种搜索机制，相比于目前群智能算法存在的易早熟和局部极值问题，其在处理高维度、多峰优化问题上优势明显。运用该算法对神经网络权值和阀值进行优化，然后再通过神经网络进行精度搜索训练，输出各个预测子序列并叠加得到最终预测结果。　　本文应用该模型对某地区电网进行了24小时的负荷预测，在仿真分析中，将BP神经网络（BP-NN）、小波结合神经网络（BP-WNN）、以及经过纵横交叉算法优化的小波结合神经网络模型（CSO-WNN）进行对比，其结果表明本模型具有较高的预测精度。为了进一步验证本模型的稳定性，最后对该地区不同季节分别进行了连续七天的24点负荷预测。