电力系统的高效稳定是国家经济发展的重要基础。但由于电能的生产、输送、分配和消费几乎是同时进行的,电力无法大量储存,所以电力系统的发电能力须与负荷需求保持一个动态平衡。因此,提高短期电力负荷预测精度具有十分重要的现实意义。然而,短期负荷原始数据本身具备非线性、高噪声等特性,单一预测模型往往忽略了数据预处理及模型参数优化,导致预测结果不够精确或缺乏稳定性,难以满足电力部门实际需要。在此背景下,具有良好预测效果的混合模型的应用日益广泛。为了给决策者提供有价值的信息,提高预测的稳定性和精确度,本文提出了一种新型的包含数据预处理、参数优化、预测和评估的ICE-FTS-MOBP混合模型,该模型结合了自适应白噪声完全集合经验模态分解技术ICEEMDAN和FTS-MOBP模式。其中,采用ICEEMDAN对原始数据序列进行预处理,剔除影响预测精度的各种随机不确定因素;FTS-MOBP模式则结合了模糊时间序列和BP神经网络的优势,使两者互补发挥更大的预测性能,该混合模型的主要步骤如下。第一步,运用模态分解技术对序列去噪,对澳大利亚维多利亚州的半小时负荷原始数据进行预处理,应用改进的自适应噪声全集成经验模式分解技术(ICEEMADAN)对各数据集进行了分解、去噪、重构,有效地解决了模态混合问题,得到了比较理想的负荷数据,为提高预测精度奠定了基础。第二步,结合模糊时间序列和BP神经网络模型进行点预测实验,并通过多目标蜻艇算法优化BP网络权值和阈值。选取7项指标组成评价指标体系,对比混合模型及各种类型的基准模型的预测结果,实验结果表明所提出的模型能够有效提高预测的精确度和稳定性。另外,为证明所选取多目标算法的优越性,选取了4种测试函数对多目标蜻蜓算法开展了性能测试,并且进行了区间预测的模拟实验,量化由不确定性因素引起的预测结果,构建了兼顾可靠性和清晰度的预测区间。实验结果表明当显著性水平选为0.3时,预测区间最为有效,具有适用范围广、鲁棒性强的特性。第三步,考虑到预测精度分布问题,运用DM检验及预测有效度2种方法综合考量预测结果的显著性。结果显示混合预测模型预测能力最优,其提供的一阶预测效果大于0.93,而二阶值大于0.85,且一阶和二阶预测的有效度在绝大多数情况下均高于其他电力负荷预测模型。另外,本文还讨论了模型每部分对预测的贡献度,结论表明模态分解技术相对于其他部分为最终结果提供了更强的性能优化。最后,提出了后期工作展望和改进意见,方便后续工作的有序进行。本文的创新之处在于针对短期电力负荷数据非线性、非平稳特征导致的故障特征频率难以提取的问题,采用了自适应白噪声的完全集合经验模态分解(ICEEMDAN)的方法对数据进行预处理,通过过滤的逐层分解和集成方式提取主要内部特征、消除其噪声点。该方法目前在国内电力负荷预测领域还未取得应用,经本文验证能够有效提高负荷预测的效果。另外,以往大多数关于负荷预测的研究只集中于建立单目标——预测精度的提高,本文采用多目标蜻蜓优化(MODA)算法优化BPNN模型的初始权重和阈值,以同时实现高精度和高稳定的目标。本文的不足之处有两点,一是忽略了部分因素对时间序列的影响,仅仅对预测工作做了初步的分析和研究。如何有效考虑多因素、设计包含多变量的预测模型和算法将是未来值得深入研究的一个方向。二是序列去噪的对比相对不充分。本文采用的自适应白噪声的完全集合经验模态分解技术(ICEEMDAN)只是EMD族中去噪算法的一种,虽然去噪效果较为显著,但未来工作中仍需选取其他非EMD族类型的去噪算法来全面比对去噪效果,例如卡尔曼滤波、小波分解等。