在电力系统中精准的电力负荷预测可以为电力规划、电力调度、机组检修、降低电力系统运行成本等提供可靠的依据,对电力系统供电端与用电端的高效协调经济运行有着重要意义。随着电力行业的蓬勃发展,对电力负荷预测的准确性提出了更高的要求。与过去相比,电力负荷在多重影响因素下其组成结构和变化规律越来越复杂。因此,如何利用先进技术提升负荷预测精度,成为目前电力行业研究的重点话题。针对短期电力负荷随时间变化呈现波动性大和随机性强等特点,传统的特征提取方法与单模型的局限性无法满足负荷变化趋势,导致预测精度和泛化能力难以提升。通过将人工智能方法与机器学习领域相结合作为提升短期负荷预测精度的切入点,提出了一种基于加权灰色关联投影算法的Bagging-Blending融合模型。在特征提取方面,考虑到历史负荷特征的重要性,采用加权灰色关联投影算法对电力负荷中各固有影响因素（如天气、温度、湿度、日期类型等）进行分析。并通过选取相似日的原理,选取当前样本的历史负荷特征;在模型选择上,针对单一模型在波动较大数据中容易出现边际效应递减趋势,导致模型自身的稳定性和预测精度难以提升等问题,将不同的预测单模型进行有效的组合,以此获得更优越的预测性能。Blending融合模型采用基学习器和元学习器的学习方式将不同运行机理的单模性以动态赋权的形式进行组合,从而获得更高的预测精度。在Blending融合模型的基学习器中,各单模型的预测精度和所选模型的差异性是决定整体模型预测好坏的基础,因此,为了减少数据波动对单模型预测精度的影响,将Bagging集成模型嵌入到Blending融合模型的基学习器中对其进行改进,利用Bagging集成模型中的Bootstrap随机抽样和并行处理方式提升各单模型的稳定性和泛化能力,同时为了确保所选模型拥有足够的差异性,使用Pearson相关系数对各输入模型的预测误差进行相关性分析,从而选取运行机理差异性大的单模型作为整体模型的输入。综合以上分析,为了验证本文方法的有效性,使用新英格兰某地区电力负荷数据（ISO New England）进行分析。对比数据分别选择使用加权灰色关联投影算法和以往人工经验方法提取历史负荷特征的数据集。对比模型选择传统单模型:SVR（Support Vector Regression）、GRU（Gate Recurrent Unit）和其他融合模型:Bagging-XGBoost、最优加权的GRU-XGBoost。实验结果表明:在特征选取方面,使用加权灰色关联投影算法选取的历史负荷特征能有效反应负荷的变化趋势,进而为模型预测提供良好的数据基础;在模型预测方面,基于Bagging改进的Blending融合模型既可以有效提升单一模型的泛化能力和稳定性,又可以充分发挥不同模型的优势,从多角度出发对历史负荷数据进行解析,有效的提高了整体模型在复杂因素影响下的电力负荷数据中的适应能力。该论文有图31幅,表13个,参考文献66篇。