人工智能领域的不断发展为科学预测提供更多策略,但是传统的预测方法都有一定程度上的不足。极限学习机算法作为一种新型的单隐层前馈神经网络被应用于预测中,它克服了传统预测方法的一些不足,提高了算法的训练速度,降低了参数的调节时间,避免了传统神经网络容易陷入局部最优的缺点。本文在深入研究极限学习机算法理论的基础上,为了改善极限学习机预测模型性能,提出了两种不同的改进方法,论文完成的研究内容如下:首先,针对单一核函数存在局限性的问题,本文将局部学习能力强的多尺度小波核函数和全局泛化能力强的多项式核函数组合在一起,提出了一种新的组合核极限学习机预测模型。并从核参数优化的角度出发,运用量子粒子群优化算法对该组合核参数寻优。在UCI数据集上的仿真结果表明,本文构建的模型具有更好的拟合能力。其次,为了提高KELM的拟合能力并使其在噪声条件下具有稳定性,本文构建了一种加权组合核极限学习机预测模型。针对该模型参数多的问题,将鲸鱼优化算法应用在其中,实现了极限学习机参数的自动优化选取。通过sinc函数和UCI数据集的测试实验结果可以看出,该模型的预测精度较高。最后,将本文提出的两种模型应用到实际电力负荷预测中,分别对东北某地区的电力负荷进行了未来24小时的预测和未来48小时的预测,实验结果表明本文提出的两种预测模型具有较好的应用前景。