短期负荷预测是实现电力系统优化运行的基础，对于电力系统的安全性、可靠性和经济性都有着显著影响。随着电网智能化程度的加深，一线城市在用电高峰期间，面临数百万条记录的电力数据采集规模，一年的数据存储规模将从目前的GB级增长到TB级，甚至PB级，同时，电力负荷数据维度也从几十向上百过渡。在如此海量高维的数据上进行传统负荷预测，将遭遇单机计算资源不足的瓶颈。云计算技术对于海量高维数据的处理和实时求解具有很强的适应性，可为消耗大量资源的算法提供实时可靠相对廉价的计算资源。智能电网的云计算存储模型虽已经取得一定的发展，但是基于云计算的电力负荷预测的并行算法却鲜有人研究。在此背景下，本文对上述问题展开研究。首先，为了提高负荷分类的精确性和有效性，为电力负荷预测的数据预处理阶段提供有效参考，本文提出一种基于云计算的并行量子粒子群优化模糊C均值聚类算法。将量子粒子群群体智能算法（QPSO）引入到传统模糊C均值聚类算法（FCM）中，利用QPSO较强的全局搜索能力，克服传统FCM算法易陷入局部最优以及其对初始聚类中心过于敏感的缺陷。其次，针对传统支持向量机负荷预测算法执行效率较低的不足，提出将序列极小优化算法引入到电力负荷支持向量机预测算法（ε SVR）中，实现对ε SVR算法的快速训练。此外，针对电力负荷预测的实际应用场景，还提出一种在线序列优化的极限学习机的短期电力负荷预测模型。针对电力负荷数据特性，将极限学习机算法引入到负荷预测领域，并对该算法进行在线序列优化；引入分布式和multi-agent思想，提升负荷预测算法预测准确率。最后，采用云计算技术中的MapReduce编程框架以及HBase分布式数据库等技术，对提出的三种改进算法进行并行化改进，并设计相应的Map和Reduce函数，以提高其处理海量高维数据的能力。最后，进行实验测试与算例分析。选用数据集UCI标准测试数据集与欧洲智能技术网络（European Network on Intelligent Technologies，简称EUNITE）提供的真实短期负荷数据，在实验室搭建的9节点以上的云计算集群上对提出的算法进行性能测试，并与传统负荷预测算法进行对比实验。实验结果表明提出算法的负荷预测精度均优于传统算法，可为电力负荷预测提供有效依据，且具有较好的并行性能。