电力系统调度中对某地区短期内电力负荷预测是一项基础且十分重要的工作,而预测模型的精度对保持地区供电用电平衡、减少频繁开停机、提高供电网络安全等,均有重要影响。由于电力负荷的影响因素较多,采用单一的预测模型并不能取得良好的预测效果。本文结合茂名地区短期电力负荷历史数据,采用改进的粒子群优化算法将多个单一预测模型组合在一起,从而提高茂名地区短期负荷预测精度。本文首先介绍了电力负荷的基本理论知识,包括电力负荷概念、电力负荷预测原理、电力负荷预测特性分析及影响电力负荷预测精度的因素和误差分析方法等。然后对目前主流的预测模型和方法进行阐述与分析,包括基于灰色理论的预测方法、基于BP神经网络的预测方法、基于回归分析的预测方法以及采用最小二乘法的预测方法等。单一的预测模型应用于电力负荷预测时效果不理想,在充分分析茂名地区短期电力负荷统计数据的基础上,提出采用改进的粒子群优化算法将多个预测模型组合在一起,解决单一预测模型在茂名地区短期负荷预测精度不足的问题。通过分析单一预测模型的预测效果,并分别采用改进的粒子群优化算法将BP神经网络预测模型、灰色理论预测模型以及自回归移动平均模型(Autoregressive Integrated Moving Average Model,ARIMA)三个单一预测模型组合一起,分析组合预测模型的预测效果。利用该组合预测模型分析了茂名地区未来24h和2周内的电力负荷情况,结果表明采用改进粒子群优化算法的组合预测模型预测准确率优于单一预测模型,并且组合模型的适应性较好。