用电负荷预测是电力系统优化调度的重要基础。精确、有效的预测结果有助于系统调度人员针对待调度系统特征制定合理的发电计划,从而在保障供电可靠性的前提下减少对不可再生能源的消耗、降低发电成本、推动社会的可持续发展。作为一类经典预测问题,电力负荷预测一直以来都受到了研究人员极大的关注。近年来,人工智能技术的不断发展为现阶段电力负荷预测提供了一系列有效的方法和手段。考虑到用电负荷具有强时序性这一特点,本文首先针对其点预测方法展开研究,提出了基于经验模态分解和粒子群优化算法的长短期记忆神经网络点预测方案。具体而言,在数据预处理方面,利用经验模态分解将负荷历史数据的原始时间序列分解为相对平稳、频率一致的多个本征模态分量与余波分量的组合形式。为缓解高频类噪声分量带来的负面影响,通过一系列分量组合实验得出最优混合模式。随后,针对每个组合分量,搭建长短期记忆神经网络,对负荷数据的时序特征进行学习。在网络参数优化方面,针对长短期记忆神经网络随机初始化难以保证预测结果有效性这一问题,利用粒子群算法对其参数进行寻优。基于真实数据的案例分析表明,上述融合经验模态分解和粒子群优化的方法在单日预测实验中平均绝对百分比误差达到了1.43%,与循环神经网络、门控循环神经网络等方法相比,本文提出的预测方法对用电负荷点预测精度提升超过1%,同时,预测周期内所有点误差均小于3%。在上述研究基础上,为更好地应对负荷预测的不确定性,我们进一步对用电负荷的区间预测方法展开研究,提出了基于多目标粒子群算法的长短期记忆神经网络区间预测方案。具体而言,首先采用与点预测方案相似的数据清洗方法对历史数据进行清洗。随后,搭建能够输出待预测时段用电负荷上、下界的长短期记忆神经网络。最后,采用近期刚被提出的基于多样阈值集的多目标粒子群算法对网络进行训练。基于真实数据的案例分析表明,上述基于多目标粒子群算法的参数优化方法提升了长短期记忆神经网络在用电负荷区间预测方面的性能,获得了超体积指标等于0.5408的帕累托解集,与时变多目标粒子群算法和基于变异与支配次数的多目标粒子群算法相比,分别提高了6.67%和8.59%。