短期电力负荷预测是电力行业运行维护、规划调度的重要组成部分,为电网的安全稳定运行和用户的科学用电提供依据。针对短期电力负荷预测模型的预测准确度不足的问题,研究电力负荷自身特性、序列分解方法、模型集成方法,提出基于模态分解和集成学习的短期电力负荷预测模型,实现负荷的准确预测。论文的主要工作内容如下:（1）电力负荷特性分析与预测建模。研究电力负荷在不同的电力用户和用电条件下的特性,从用户用电行为、气候变化和电网宏观调控等方面,分析外部因素变化对电力负荷波动的影响,并建立短期电力负荷预测的数学模型,为负荷预测提供理论支撑。（2）研究基于模态分解的短期电力负荷预测模型。研究负荷序列分解方法,采用集合经验模态分解方法,在原始负荷序列中添加噪声信号作为辅助,将序列分解为不同频段下的模态分量,通过判断序列过零率将分量序列分解为高频和低频分量,采用LSTM网络模型和ELM网络模型分别对高频分量和低频分量进行预测,构建基于模态分解的EEMD-LSTM-ELM预测模型。以某制造业用户的负荷数据为样本,验证了所提分解预测模型的有效性。（3）研究基于集成学习的短期电力负荷预测模型。研究集成学习的基本原理,采用弹性网络回归模型对非线性基学习模型进行增强学习,选取非线性的随机梯度提升树模型对线性基学习模型进行增强学习,采用弹性网络回归模型输出结果改进随机梯度提升树的初始功能,将两个局部增强模型进行集成,构建基于集成学习的预测模型,并进行仿真实验,实验结果表明所提模型预测准确度要高于单一模型和局部集成模型预测结果,且相较其它集成模型具有更好的预测性能。（4）模型对比实验。对所提EEMD-LSTM-ELM模型与集成模型进行了预测对比实验,综合分析了两个模型在不同样本数量下的预测结果,比较了两个模型在不同条件下各自的性能与优势。