负荷预测在国家经济和社会发展中起着重要作用,是能源领域的热门话题之一。准确并且稳定的负荷预测成为了一项既具有挑战又至关重要的任务,吸引着大量的专家学者从事相关研究。目前负荷预测方法的不足之处在于它们忽视了预测模型输入与输出之间的密切关系,无法捕获与输出高度相关的输入特征。此外,当前负荷预测的研究重点集中于如何提高预测结果的准确性,忽略了预测误差的稳定性,无法保证模型预测精度是否能够保持稳定。因此,本文开发了一种新颖的、健壮的混合预测模型,它由四个模块组成:1)数据预处理,2)预测,3)优化和4)评估。在数据预处理模块中,基于奇异频谱分析和灰色关联分析的有效数据预处理方案用于生成更平滑的时间序列,并为预测模型挖掘最佳的输入和输出结构。在预测模块,本文使用了同时考虑预测准确性和稳定性的多目标遗传算法优化的极限学习机实现负荷预测。并且,使用与训练极限学习机模型相同的数据集训练广义回归神经网络,进行负荷预测。即通过多目标遗传算法优化的极限学习机与广义回归神经网络两个模型预测,分别实现负荷预测。此外,为了进一步获得准确性与稳定性高的预测结果,克服单一模型的弊端,在优化模块中将多目标遗传算法优化的极限学习机模型和广义回归神经网络模型的预测结果进行组合,使用模拟退火算法优化组合参数,得到本文提出的混合预测模型最终的预测结果。为了验证所提出混合模型的性能,分别收集了来自澳大利亚新南威尔士州和塔斯马尼亚州的半小时负荷数据作为训练和测试数据完成仿真实验。实验结果表明,与作为参考基准的传统预测模型相比,所提出的混合预测模型获得了更为准确和稳定的预测结果。