为了合理分配电能和规划电网运行,需要对居民小区电力负荷进行精确预测。但现有的电力负荷预测方法对随机性较强的大数据样本处理能力不强。因此,本文提出了基于提升小波的多元时间序列法的电力负荷预测,并通过实例仿真验证其预测的精度。首先,针对负荷序列波动较大的特性以及数据的海量性,利用提升小波适用范围广,计算简便的优势,对居民小区电力负荷进行主要特征量提取,去除了包含在负荷序列中的高频噪音,降低了原始数据的不确定性;运用时间序列法,针对包含在数据中的规律因素,利用其大数据处理能力强的特点,找出电力负荷值变化的规律,并加以延伸,再通过显著性检验,对预测结果进行实时矫正,达到对于居民用电量精确预测的目的。其次,由于传统的时间序列法对于包含随机因素较多,规律性较弱的负荷序列的预测能力仍不够强,因此本文提出基于该传统方法的改进方法——多元时间序列法,将电力负荷序列分为受气温、节假日等随机因素影响和不受任何随机因素影响的多个子序列,制定最适宜气温区间以及节假日修正系数,分别针对每一种子序列的特性进行计算预测,并将预测结果相加,得到完整的电力负荷预测序列。通过神经网络学习算法,不断反馈预测结果,调整最适宜气温区间以及节假日修正系数这两项参数,确保之后预测的准确性。最后,利用上海嘉定某小区的历史负荷,气温大数据,针对以上提出的两种负荷预测方法进行仿真研究,证实了其可靠性;同时简要介绍了基于该方法的预测系统构架。