短期电力负荷预测是电力系统调度运营部门的一项重要工作，尤其是随着电力市场的建立和发展，短期电力负荷预测将发挥越来越重要的作用。其预测精度的高低直接影响到电力系统运行的安全性、经济性和供电质量。因此，关于如何提高预测精度的问题，一直是短期电力负荷预测研究的重点问题。 将小波变换应用到短期电力负荷预测中，使负荷预测的精度有了很大程度的提高。本文在用小波变换进行短期电力负荷预测的研究基础上，首次提出了将小波包变换、周期自回归模型以及人工神经网络三者相结合来进行短期电力负荷预测的新方法。该方法首先将原负荷序列通过小波包分解为不同尺度上的子负荷序列；然后根据它们各自的特点，对周期性较强的子负荷序列运用周期自回归的方法进行预测，对随机性较强的子负荷序列运用人工神经网络的方法进行预测；最后将各个子负荷序列的预测结果通过小波包重构得到最终的预测结果。与小波变换法相比，由于小波包变换对小波变换没有分解的高频部分进行进一步细分，所以更能有效地分离出其中周期性较强的子负荷序列，特别是对于在小波变换法中作为一个整体且被看作随机性负荷进行预测的第一层的高频部分来说，小波包变换可以分离出该部分周期性较强的子负荷序列。而对周期性较强的负荷进行预测必然比对随机性较强的负荷进行预测更准确，所以在预测结果上小波包变换法比小波变换法要好。 在运用周期自回归模型进行预测的过程中，本文设计了一种动态矩阵法；该方法可以大大地提高运算速度。在预测实例中，本文对数据的预处理、原序列边界的处理等问题均提出了自己的看法，并做了相应的设计。针对一些实际应用的问题，本文设计了将小时负荷序列“转化”为以15分钟为间隔的负荷序列的可行方法以及预测日前一日的负荷补足方法。此外，本文在天气对负荷的影响、国家法定节假日的负荷预测等问题上也做了一些讨论。