高精度的电力负荷预测是电力系统安全运行的重要基础,也是电力系统经济运行的重要保障。因此,负荷预测精度的提高,在电力系统管理中占有举足轻重的地位,短期电力负荷预测对电网的生产调度具有指导意义,而高效的预测方法有利于预测精度的提高。本文对我国电力企业在电力负荷短期预测工作中存在的影响要素选择、负荷特性分析以及预测模型的选取等重要问题做了重点研究,提出了一种基于希尔伯特黄变换和电力负荷影响因素分析的组合预测模型。希尔伯特黄变换(Hilbert-Huang Transform,HHT)算法是用来分析非线性、非平稳信号的一种新的信号处理算法。该方法首先采用经验模态分解(EMD)算法将原始序列分解成频率不同且相对平稳的一些固有模态函数(IMF)分量之和,然后对每一个分量进行Hilbert变换获得分量的时频特性,该时频信号处理方法具有较强自适应性。本文深入分析短期负荷预测方法在国内外的研究现状和发展趋势,研究了现有的电力负荷预测方法及其特点。对电网历史负荷数据和气象数据等资料进行深入研究,在短期负荷特性指标分析的基础上,总结出负荷特性及各影响因素之间的关系。首先对历史负荷、气象数据进行预处理,利用EMD算法将预测样本序列分解成不同频率的平稳子序列,并对其进行Hilbert变换,得出各分量的频率特性,子序列比原始序列更具可预测性。根据对各分量特性及各预测模型的适应性分析,选取RBF神经网络模型对高频分量做出预测,BP神经网络模型对中频分量做出预测,时间序列模型对低频分量做出预测,并在中、高频分量的预测模型中考虑了气象因素的影响,把每一个分量的预测结果相加得出最终预测值,从而得到了新的组合模型。本文以河南省某地区2012年实际负荷数据作为预测样本,利用上述预测模型对一天24小时96点的负荷值进行预测,与真实负荷值对比,预测精度达到较高水平。结果表明,基于HHT的组合预测模型有利于实现各预测模型之间的优势互补,更具合理性。