精确的电力负荷短期预测是电力系统运行规划的基础,过高的预测误差不仅会造成电力能源的浪费,也会因供电不足等状况造成社会经济损失与电力设备的损坏。如何提高电力负荷短期预测的精度,精准地把握各区县、各行业的电力供给,成为了国家电网公司的重要工作。由于电力负荷的强非线性、高波频的特征以及众多影响电力负荷短期变化的不可控因素,为电力负荷短期预测工作带来了极大地困扰。为此,本文在总结了国内外电力负荷预测方法的基础上,通过对天津市日负荷特性以及周负荷特性分析,以节假日为影响短期电力负荷变化的主要影响因素,将原日负荷样本集分为非节假日样本集与节假日样本集两类进行预测。在模型建立方面,重点针对非节假日样本集,通过广义回归神经网络、小波神经网络以及Elman神经网络的预测结果进行比较,选用较优预测模型并利用两参数联合估计的方法建立了Elman神经网络预测模型;针对于节假日样本集,利用灰色系统理论在贫信息、小样本方面良好的处理能力,建立GM(1,1)模型进行预测。在数据预处理方面,本文基于数据水平处理方法进行了一定的改进,提出了适用于日电力负荷数据的阈值降噪方法。本文将该方法运用于非节假日样本数据的降噪处理上,并通过与数据水平处理方法仿真结果对比,验证了该方法的有效性。通过仿真实验研究表明,阈值降噪方法能够更好地降低预测误差;同时,经过样本分类后的预测能够有效地提高电力负荷短期预测的精度。