短期负荷预测（Short-term Load Forecasting,STLF）协调市场需求、稳定民生发展,在我国电力能源经济中占据主要地位。近年来,随着产业多样化的发展,负荷已然呈现出种类多、结构杂的特点。负荷的发展特性对STLF构成了严峻的挑战,设计一种预测精度高、泛化能力强的预测方案已成为该领域的重要研究课题。本文基于极限学习机（Extreme Learning Machine,ELM）模型,根据用电区域气温的特性,分别对气象敏感性负荷较强与较弱的不同地区的电力负荷情况进行研究,深度挖掘气象信息对负荷变化趋势的影响,主要工作与创新点如下:（1）针对在气象敏感性较强地区传统方法对温湿度考虑不充分的问题,提出一种基于温度补偿方法及鲸鱼算法的短期电力负荷预测方法。首先利用最大信息准则（Maximal Information Coefficient,MIC）对气象因素进行相关性分析;然后以高相关的气象因素为基础,构建三种不同的补偿变量作为模型的输入特征;接着通过引入自适应权重、变螺旋策略及柯西逆积累分布函数对传统鲸鱼算法进行改进;最后将改进后的鲸鱼算法（Improved Whale Optimization Algorithm,IWOA）用于确定极限学习机中神经元的个数,并输出最终结果。采用澳大利亚新南威尔士州提供的负荷数据进行仿真实验分析。经实验仿真证明,所提方案相较于对比模型,具有更高的预测精度。（2）针对单一模型特征反映不充分而存在预测精度低、泛化能力弱的问题,提出了一种基于相似日选取与多集成组合的短期电力负荷预测模型。首先利用MIC选取高相关变量作为模型输入;然后综合考虑MIC与灰色关联度,对气象敏感性较弱地区的负荷进行相似日选取;最后引入集成随机子空间、自适应增强、堆叠-神经网络的框架组合多核-核极限学习机,对待预测日进行回归拟合,输出最终预测结果。采用马来西亚柔佛州供电公司提供的负荷数据进行算例分析,同样通过实验仿真验证了所提方案预测精度高、泛化能力强。（3）为了方便电力科研机构、售电公司等相关单位制定计划、分析需求,本文设计并实现预测数据可视化界面。首先通过Mongo DB数据库存储负荷预测算法中得出的预测数据,并将数据库安放在服务器端。服务器端采用Express框架,用于监听数据库请求;采用Nginx技术提供高性能的HTTP及反向代理服务。在浏览器端采用Vue框架作为整体架构,其中采用Echarts数据分析可视化工具及Element UI插件渲染显示。浏览器端包含数据显示、数据检测及对应图像保存等功能,方便使用单位研发学习。