随着电力需求的不断增加、可持续发展战略的不断贯彻,电力系统的改善变得十分重要。当前,智能电网技术发展快速,而智能电网中的一个重要模块就是短期负荷预测,所以研究不同的预测模型,提升预测的准确率有着重要的应用价值。首先,本文对现有相关文献进行总结与概括,重点介绍了在短期负荷预测中比较流行的三种方法:基于时间序列的短期负荷预测方法、基于模糊控制的短期负荷预测方法、基于神经网络的短期负荷预测方法,对几种短期负荷预测方法进行了简单的综述,分析了各种方法的优缺点并进行比较,为本文所提出的短期负荷预测方法提供了思路,也为短期负荷预测领域的研究人员进行进一步研究和实际应用提供参考。其次,本文提出了一种基于时间序列的短期负荷预测方法。该模型将时间序列数据分解为四个部分:趋势项、周期项、节假日项以及误差项;在实验部分,本文提供了一套预处理方法流程,对数据进行预处理,其中,针对目前的智能电网采集的数据采样率不恒定的问题,提出了一种数据平滑算法,该算法具有很强的实用性,能够将电网不同采样速率的数据,处理成具有大致相同的时间间隔的数据,从而灵活适应各类预测模型。对清洗后的负荷数据,使用本文提出的基于时间序列预测的方法进行了对休息日以及工作日负荷的预测,预测结果显示,模型具有良好的预测效果,达到实际应用要求。最后,本文提出了基于径向基神经网络与模糊控制相结合的预测模型,进一步提高了短期负荷预测的精度。径向基神经网络采用的是浅层结构,每个径向基神经网络单元通常受到输入模式的较小部分影响,所以各单元之间的相互作用很小,这使得径向基神经网络具有更好的泛化性能。在径向基神经网络中引入了模糊控制技术,利用径向基神经网络产生的误差和误差变化率反馈给模糊控制器,输出一个调整量以减小预测误差。对照实验结果显示,本文提出的预测模型,比时间序列预测模型以及单一的径向基神经网络预测模型在精度上有了明显的提高。实验表明,基于径向基神经网络与模糊控制器相结合的短期符合预测模型,有效降低了现有模型的平均相对误差。本文研究是有意义的,并且具有实际应用价值。