随着人类社会的发展,人们对电力能源的需求也在不断地上升。然而,电力能源的一些特殊属性给电力系统的建设与维护提出了高标准与严要求。同时,电力系统也对经济稳定、社会安全等有重要的影响。短期电力负荷预测关系到电力系统的方方面面,同时也是智能电网建设中的重要一环。高效、精确的短期电力负荷预测能够使电力系统安全稳定的运行,能够提高经济效益,能够让人们更合理地安排电煤燃烧计划,从而促进生态环境的保护。本文提出了一种多尺度分析与数据互迁移相结合的短期电力负荷预测方法。为了提高预测性能,本文从以下的两个方面着手进行改进:针对多尺度分析预测法中原序列内隐含的与子序列相关的信息没有在子序列的建模与预测过程中得到充分利用的问题,本文提出采用互信息特征选择法选取合适的原负荷序列历史值并引入到原负荷序列近似分量的特征集合中,通过特征扩充为学习算法提供更多的信息,进而提高近似分量的预测精度。针对一周内的7日所对应的7种不同类型数据会在模型构建的过程中相互影响进而导致模型预测精度降低的问题,本文提出了一种基于核岭回归的数据互迁移方法,使用一种基于实例的迁移学习方法将其它几种类型日对应的数据中与待预测类型日相似的数据迁移到待预测类型日数据集中,通过不同类型日之间数据的互迁移,达到在建模的过程中既能够利用这些数据的相似性,又能够顾及这些数据的差异性的目的。实验显示本文提出的方法在MAPE、MAE和RMSE这三个误差评价指标上相对于单模型方法分别降低了 6.2%、3.4%和5.5%。