电力负荷预报是电力系统的重要工作之一,电力负荷预报的准确与否直接关系到一个地区经济的发展情况,电力负荷预报工作的合理有序进行是保证一个地区发展的根基;近年来,电力负荷预报逐渐引起人们的重视,无论是从能源的角度还是城市建设的层面上,电力负荷预报的精确与否都对整个社会有着非常大的影响,因此如何提高电力负荷预报的精度是十分重要的课题。电力系统的研究对象的是十分复杂的,不同地区之间存在差异,相同地区不同产业之间差距也很大,如何兼融这些影响因素尽最大可能提高电力负荷的预报精度是要研究的主要问题,此问题的有效解决是对供电系统合理分配电力起着至关重要的作用;各个电厂的任务分配,如何能使电网系统利益最大化,是电力负荷预报研究的目的所在。本文的研究重点是短期电力负荷时间序列的预报,针对短期电力负荷时间序列进行研究,通过对历史数据的分析,建立短期电力负荷预报模型,包括基于最小二乘的在线滚动自适应AR模型、基于灰色理论的GM(1,1)模型和基于Kalman滤波的在线滚动Volterra核估计模型。通过分析短期电力负荷时间序列的特性,在最小二乘预报方法基础上,提出了加权最小二乘预报算法,对方差的最小二乘估计进行加权,通过最小二乘的加权估计重新建立模型;在加权最小二乘理论的基础上,提出在线滚动预报模型,对模型的参数进行在线滚动修正。仿真结果证明在线滚动最小二乘在保证系统实时性的同时,提高了系统预报的精度。灰色理论常被用在中长期预报中,本文将灰色理论应用到短期的日负荷预报中,对数据进行累加生成,建立GM(1,1)模型,对短期电力负荷时间序列进行预报;同时提出基于GM(1,1)模型的改进模型,通过对初始数据处理,重新生成系统模型。提高了系统预报精度,适于对小数据量情况进行预报。在卡尔曼滤波理论的基础上,建立了基于卡尔曼滤波算法的AR模型,及基于卡尔曼滤波理论的Volterra核估计模型,对短期电力负荷进行预报,在此基础上,提出基于卡尔曼滤波理论的在线滚动Volterra核估计预报模型。基于Kalman滤波的在线滚动Volterra核估计比前两者的预报精度有了明显提高,在实时性和精度上都优于前两种建模方法。在线滚动体现了系统的实时性,是短期电力负荷预报发展研究的重要方向。