传统的机器学习方法无法捕捉到电力负荷需求的不确定性以及动态变化规律. 本文将最新提出的隐马尔可夫模型在线学习算法应用于电力负荷预测研究, 充分提取历史数据中的不确定性特征和动态变化规律, 并结合分解算法, 更精确利用数据中的动态变化特征, 从而提高预测精度. 算法基于隐马尔可夫概率预测模型, 在获得新样本时对模型进行在线更新, 适应最新数据; 利用STL时序分解算法对负荷数据进行分解, 使具有不同不确定性和动态变化规律的分量分离开, 再分别使用在线学习算法对不同特征的分量进行预测, 构造电力负荷预测组合算法. 基于三个公开电力负荷数据集的测试结果表明, 相比于单一的在线学习模型, 本文提出的组合算法提高了预测精度, 预测相对误差最高减少了$27\%$.