我国庞大的人口基数和工业产量奠定了我国对电力的巨额需求,但由于电力系统复杂的运营模式,加之用户用电的不确定性,同时伴随着电力设备的各方面影响,使得电力负荷预测有着极高的商业和研究价值。准确地预测短期的电力负荷,能够使电力公司及时调整负荷设备,减少资源浪费,提高性能和电力网络的稳定性。对于短期电力负荷预测的研究,既有针对峰值预测的研究,也有针对每日具体时间点的日负荷值的研究。随着人工智能的深入研究,国内外专家将具有快速计算能力、自学习能力的神经网络用于电力负荷预测研究,但神经网络算法的训练模型受参数影响,其训练速度、收敛结果带有不确定性,且容易陷入局部最优结果。针对短期电力负荷预测研究中出现的问题,论文结合短期电力负荷数据和应用需求特点,提出了基于神经网络的7日电力负荷日峰值预测和7日24点电力负荷预测两个模型。从数据预处理、数据分析、模型确定、模型参数确定、模型优化改进等方面研究短期电力负荷预测模型的优化和性能提升问题。本文的主要工作包括:（1）完成数据分析和处理。针对论文使用的电力负荷数据集,分析了电力负荷数据的普适特点,重点分析了以年、月、周、日为周期的周期性特点。并根据其周期性变化特点通过数据特点实现了缺失数据补齐、异常数据处理和数据标准化等数据处理工作。（2）提出了一种基于优化RBF的7日电力负荷日峰值预测模型。通过遗传算法优化RBF网络中的中心向量、中心点宽度、隐含层与输出层间权重这三个可控变量,可以弱化参数选择对预测结果的影响,提升模型的泛化能力和预测精度。通过对比实验证明了该日峰值预测模型的其可行性及其在预测准确度上的提升。（3）提出了一种基于优化LSTM的7日电力负荷日24点预测模型。为避免LSTM因人工输入参数导致模型陷入局部最优,利用粒子群算法对模型参数进行训练,提升LSTM网络的预测精确度,并且通过对比实验证明该7日24点预测模型在预测精度上有所提升。