电力短期负荷预测是电力系统运行和管理中的一个重要组成部分。提高其预测质量,对提高电力系统运行的安全性、经济性、可靠性以及供电质量均有积极作用。随着人工智能技术的不断发展,短期负荷预测的智能方法大量涌现,预测准确度得到一定程度的改善。但总体上看,短期负荷的准确预测仍是一个难题。如何在现有的方法上推陈出新,提高其预测精度,是研究人员面临的重点问题。短期电力负荷是一个非线性、非平稳的随机过程,负荷的变化受到多种外界因素影响。本文首先对短期负荷的特点、构成及其相关影响因素进行了研究,并对现有的各种短期负荷预测分析方法进行了总结。在此基础上,尝试将基于机器学习的高斯过程回归理论引入短期负荷预测。针对短期负荷预测中负荷与影响因素之间的复杂非线性关系,充分考虑了历史负荷和气象因素的影响,将预测日前连续多日的历史最大负荷和预测日平均气温作为模型输入,建立了基于高斯过程回归的短期负荷预测模型,该模型具有参数少、参数寻优容易,易收敛等优点。考虑到短期负荷是由不同频率的特征分量组成这一特点,将经验模态分解理论加入到短期负荷预测中的数据预处理环节,将短期负荷序列分解成若干周期分量和一个趋势分量,运用高斯过程回归理论对这些分量分别建模,最后通过重构得到预测结果。仿真结果表明,将经验模态分解和高斯过程回归理论应用于短期电力负荷组合预测是可行的,有着较高的预测准确度,能较好地反映负荷的变化趋势,并具有良好的自适应性。