短期负荷预测是电力系统安全经济运行的基础，已逐步发展成为电力系统自动化领域中的重要研究方向之一。由于电力系统是一个时变参数和具有动态特性的大系统，随着其发展的日趋复杂化，特别是电力市场化的逐步深入，各种传统的负荷预测技术已经越来越难以满足电力部门的要求。 　　本文首先介绍了短期负荷预测工作的必要性和研究方向。在此基础上对目前各种短期负荷预测方法的优缺点进行了论述。随后为了给运用时间序列法预测做准备，着重分析了电力系统负荷的组成和其特有的规律性，以此为基础，将具有周期性的非平稳随机过程的(ARIMA)模型应用于负荷预测。 　　针对传统时间序列法利用静态分析的方法进行参数估计和进行相关分析时，尽管可以得到很高的相关系数或通过显著性水平很高的模型假设检验，但预测效果并不理想的问题。本文提出了建立时变系数的自回归模型，并且采用卡尔曼滤波的方法对时变系数进行递推估计，卡尔曼滤波递推的初值用定常线性最小二乘估计获得。 　　基本卡尔曼滤波递推公式中，噪声协方差通常是固定不变的，但是，当描述系统的数学模型和噪声的统计模型不准确，不能真实反映物理过程时，使得模型与获得的观测值不匹配，就可能会导致滤波器发散，为了解决这个问题，本文采用了一个时变噪声统计估值器，对噪声协方差进行自适应的递推估计。随着滤波步数的增加，舍入误差逐渐的积累，可能使估计的误差方差阵失去非负定性，甚至失去对称性，使增益矩阵的计算值逐渐失去合适的加权作用，而可能导致发散，为了有效缓解这个问题，本文引入了强跟踪卡尔曼滤波器，它的突出优点是有很强的突变状态跟踪能力。最后引入一个滤波发散判据，将结合了时变噪声统计估值器与强跟踪卡尔曼滤波器的改进自适应滤波运用于负荷预测，通过实例的仿真计算，与前面方法计算结果比较，体现了该方法的有效性和优越性。