当前时代下人工智能技术飞速发展,各个领域对机器学习的应用愈发广泛。随着经济高速发展,电力成为人们生活生产中的主要能源,间接也促成了机器学习与电力能源领域之间的耦合。通过运用有效的预测模型对电力负荷等进行提前感知与预测,为发电部门作出科学引导,达到有效负载均衡,是电力能源现代化发展的趋势。然而,传统预测模型往往存在着收敛性不稳定和精度较低等问题,另一方面,对于电力这类规律性较强的应用场景,需要考虑包括负荷本身在内等诸多相关性因素,即对原始数据的准确性、可应用性要求较高,如何精确地进行电力负荷预测是当前预测模型面临的一大挑战。针对此问题,目前采用的多模块组合方式为构建负荷预测模型提供了新的解决思路。但由于各种模块之间的组织结构不同,如何有效的进行融合以及融合之后如何保证其模型的有效性,这又是新的挑战难题。因此,本文针对上述问题进行深入研究,提出了基于小波分析与改进猫群算法优化BP神经网络的短期电力负荷预测模型,主要研究工作及成果如下:（1）构建了基于DB4小波的数据预处理模型。从电力负荷本身出发,深入研究有关电力负荷数据的特点与规律,构建了基于DB4小波的数据预处理模型。通过使用小波分析中的DB4小波对负荷历史数据进行分解、降噪、重构,将原始数据中因各种因素导致的噪音消除,从而保证数据后期使用的有效性。（2）构建了基于FP-Growth的电力强关联因素分析模型。针对当前对电力负荷数据相关性因素的分析中大多不用或采用人为经验的预估模式存在的问题,提出了基于FP-Growth的电力负荷相关性分析方法。通过对电力负荷数据及其多种影响因素进行分析,科学挑选出影响因子最大的因素,为后期预测模型输入参数确定提供可靠性保证。（3）提出了基于Logistic函数自适应与柯西多策略扰动的优化猫群算法（ALCSO）。针对传统猫群算法在寻优上收敛性低、精度不高等问题,引入机器学习中的逻辑函数作为自适应权重对跟踪模式中的速度进行改进,调整寻优不平衡,以提高算法收敛性;融合概率论中的柯西分布函数,构建算法的多策略扰动机制,以保证算法精确度,并通过各种测试函数验证其改进后的有效性。实验结果表明,优化后的算法收敛性提高了15%-48.15%,精度提升了14.18%-45.21%。（4）构建了基于优化BP神经网络的电力负荷短期预测模型（WT-ALCSOBP）。为避免网络收敛速度慢、精度低、输入参数敏感等问题,使用改进后的猫群算法（ALCSO）对BP神经网络进行优化,构建了基于优化BP神经网络的电力负荷短期预测模型,并使用贵州省2020年的电力负荷数据与影响因素数据进行模型性能检验与测试。实验结果表明,本文模型相对于传统预测模型在精度上提高了2.16%-3.04%,收敛性上提高了21%-54%,具有更好的预测效果。本文针对电力能源领域,构建了面向电力负荷的多组合预测模型。通过引入小波分析模型,实现对原始负荷数据的清洗与降噪;进一步优化猫群算法,并结合优化的猫群算法以改进BP神经网络,最终构建基于优化BP神经网络的电力负荷短期预测模型,以实现对电力负荷更实时、更精准的预测。该研究将为电力能源领域进行科学有效的电力负载均衡与优化配置提供一种有效的参考方案,具有较高的研究价值与意义。