电力工业是一个国家的基础工业,发展电力工业是经济发展与科技进步的重要条件。电力负荷指系统中所有用电设备消耗的总功率,对短期负荷进行准确的预测是电力系统稳定运行的重要前提。短期负荷预测可以帮助制定发电机的日开停机计划,在保证发电工作稳定运行的基础上提高了经济性。此外,短期负荷预测是浮动定价的重要参考,对于电价改革有着重要意义。负荷数据中包含多重周期性,有效地利用周期性可以提高短期负荷预测的准确度。本文通过对负荷中的周期性进行研究,并结合STL分解算法与Stacking集成算法,提出一种基于STL分解的短期负荷集成预测模型。首先,通过STL算法将历史负荷数据分解为三个分量,并引入SSA算法对其中的余项分量进行降噪处理。然后通过分析各分量的自相关性提取不同分量中包含的周期性,并结合周期性构建特征对各分量进行预测。得到各分量的预测值后,将其进行加和得到负荷的预测结果。接着,构建循环神经网络模型、卷积神经网络模型以及XGBoost模型并将其作为基学习器;构建BP神经网络模型并将其作为元学习器。最后,通过Stacking算法对各个学习器进行集成,建立基于STL分解的集成预测模型。为了验证模型的效果,本文选取比利时电网公司公布的负荷数据进行实验。对于电力行业而言,未来一小时内和未来一天内的负荷预测值都具有重要的意义,所以实验中采用单步预测对0.5小时后的负荷进行预测,采用多步预测对未来一天内48个时刻的负荷进行预测。实验结果表明,引入STL算法、SSA算法以及Stacking集成算法可以提高单步预测和多步预测的准确度。且相比于其他常用的预测模型,本文提出的模型具有更高的预测准确度。