智能电网的建设提高了电网运行的效率,对能源节约、环境保护、电力系统资产优化利用、提高供电服务质量等都有着重要的作用,但同时也对电力系统各部门的工作提出了更高的要求。负荷预测是电力管理系统的重要组成部分,为电力系统多个部门提供决策支持,更是整个电网系统规划建设、运行调度、组织检修乃至市场销售的关键,长期以来负荷预测都是电力领域国内外专家研究的重点。负荷的成因较为复杂,是多方面因素共同作用的结果,不同时间段连续的负荷采样构成了规律性与随机性相结合的时间序列,它是负荷预测的主要研究对象,本文在综合国内外短期负荷预测已有技术的基础上,为深入分析负荷序列内在的规律性与稳定度,提高预测的精度,采用频域分解的方式构建短期负荷预测的框架,为不同的分量分别选择合适的预测模型,最后把各模型的预测值进行重构作为最终的预测结果。具体的研究内容如下:(1)首先根据负荷特性分析,选择负荷序列的特征值作为短期负荷预测的样本数据,确定预测日期,并运用小波多分辨率分析对样本数据序列进行频谱分析,得出低频分量和高频分量。(2)针对不同分量序列的特征进行分析,采用时间序列分析法对低频分量建立ARIMA模型进行预测,对于高频分量,先使用m RMR特征选择算法筛选出影响负荷变化的主要因素,考虑各因素与负荷之间的多元非线性关系,运用LS-SVM和同类型日加权平均的思想构建高频分量的预测模型。(3)对以上各模型的预测值进行重构,作为最终的预测结果,同时,对相同样本数据采用其他方法建立模型,实验证明,与其他预测模型相比,文中所用方法的预测效果更好。通过本文的分析研究与实验验证,文中“分解-重构-预测”的技术方案和量化筛选影响因素的方式为短期负荷预测提供了一种有效的预测方法。