分布式能源的大规模并网给电力系统带来了挑战。电力系统的稳定运行具有负荷平衡的强约束性,准确的电力负荷预测在保证电力系统稳定与经济运行方面具有十分重要的意义,它影响着电力系统的诸多决策,如经济调度、自动发电控制、安全评估、维护调度和能源商业化等。论文在深入挖掘负荷数据特征的基础上,提出了基于大数据降维以及优化神经网络的电力负荷预测方法。首先,为了避免“维度灾难”的发生,引入弹性网（Elastic network,EN）算法对高维气象大数据进行选择和降维。弹性网通过在惩罚项中添加L1范数和L2范数,兼具了最小绝对值收缩及变量选择（Least absolute shrinkage and selection operator,LASSO）和岭回归的优点,克服了LASSO降维时因为数据内部存在共线性和群组效应而影响降维效果的问题,可以从高维气象大数据中提取重要的变量并剔除坏数据,从而完成了高维气象大数据的变量选择。通过对比实验验证了弹性网在处理共线性强以及群组效应明显的数据时效果更好。其次,为了进一步降低预测模型复杂性,提出基于弹性网稀疏核主成分分析（Elastic network sparse kernel principal component analysis,EN-SKPCA）的多气象因素融合方法。使用核主成分分析（Kernel principal component analysis,KPCA）对弹性网所筛选出的气象因素进行降维,随后将其重构主成分表述为回归优化型问题,并在其回归过程中添加弹性网惩罚,最后通过迭代计算出稀疏主成分。EN-SKPCA可以将多维气象因素融合为少数的稀疏主成分,并且解决KPCA重构主成分难以解释构成的问题。通过鸢尾花卉数据集的实验及分析验证了EN-SKPCA的降维效果更好。再次,从时效性和准确性两个方面,提出了两种负荷预测模型,分别为花授粉算法（Flower Pollination Algorithm,FPA）优化反向传播（Back propagation,BP）神经网络以及FPA优化长短时记忆（Long short-term memory,LSTM）神经网络。首先针对于BP神经网络收敛速度慢及容易陷于局部极小点的问题,提出FPA优化BP神经网络的权值和阈值;其次针对于经验设置LSTM神经网络超参数所带来的随机性,提出FPA对LSTM神经网络超参数中的隐藏层数、隐藏层神经元数以及学习率进行优化。通过与粒子群算法的对比实验及分析,证明了花授粉算法的寻优速度更快,寻优效果更好,为其在优化神经网络中的应用提供了坚实基础。最后,通过多组对比实验及分析,证明本文方法有效地提高了短期电力负荷预测的精度和稳定性,为大数据环境下区域性电力负荷综合因素预测提供一种新思路。