近年来,经济社会的快速发展使电力系统面临着越发严峻的挑战。电力系统的安全调度和社会的正常生产与电力负荷预测(STLF)的准确程度直接相关。目前,很多学者将小波神经网络应用到电力负荷预测中,取得了较好的效果。但预测精度还不能满足实际应用的需要,因此,本文针对该问题,将小波神经网络与混合蛙跳算法结合进行了电力负荷预测研究。首先,本文从电力负荷数据的混沌特性出发,用C-C法求出该时间序列的嵌入维数m和时间延迟τ,来对实际负荷数据进行相空间重构。通过此方法来获得该时间序列中隐藏的更多有用信息。并对数据进行了归一化处理来加快算法的收敛速度。其次,本文用实际电力负荷数据进行了基于梯度下降算法的小波神经网络(Wavelet Neural Network,WNN)短期电力负荷预测仿真实验,结果表明,小波神经网络预测模型可以取得比较好的效果,但仍有改进空间。再次,针对小波神经网络中梯度下降算法对初值敏感,容易陷入局部最优的问题。分别提出了两种改进算法,一种是在梯度下降算法中加入自适应学习率和惩罚项,即IWNN;另一种则采用混合蛙跳算法(Shuffled Frog Leaping Algorithms,SFLA)代替梯度下降算法训练小波神经网络,即SFLA-WNN。并分别建立了基于IWNN和SFLA-WNN的短期电力负荷预测模型,通过实例仿真和对比分析,证明两种改进后的模型预测精度均有所提高。最后,针对经典混合蛙跳算法随机产生初始种群和在局部搜索中随机更新蛙跳步长,不利于算法收敛的问题,本文提出了一种综合改进的混合蛙跳算法(Comprehensive Shuffled Frog Leaping Algorithms,CSFLA),该算法充分利用IWNN产生的较优解来优化蛙跳算法初始种群,并在局部搜索更新步长时,引入一种新的自适应移动因子。之后建立了基于综合改进混合蛙跳算法的小波神经网络(CSFLA-WNN)短期电力负荷预测模型并将其用于实例仿真,通过结果对比分析,表明该算法在保证预测实时性的同时能获得更高的预测精度。