电力行业的信息智能化发展,智能电网的数据采集系统为负荷预测提供了海量的数据来源,发掘电力数据背后的信息具有重大意义。准确的短期负荷预测既可以保证系统安全可靠运行,又可以提高发电利用率,避免了电力资源浪费。本文根据电力系统短期负荷的特性,确定主要的影响因素。深入分析电力系统短期负荷的不确定性、条件性和时间性等特点,结合机器学习理论搭建了两种短期负荷预测模型。主要做了以下工作:1.电力负荷数据作为真实世界的数据总会存在异常值和不一致性,为了降低异常电力符合数据对预测精度的不利影响,本文采用孤立森林算法进行异常值检测,依靠该算法无监督学习的优势,根据数据的特征对所有数据进行树形分割,将每个数据的路径长度与平均路径长度对比,根据路径长度确定异常值。实例表明,该方法可以有效识别负荷数据中的异常值。2.针对于数据量较小,负荷时序性较强的数据集,搭建了基于遗传算法优化极限学习机的预测模型。首先针对极限学习机（Elman）存在因随机产生的初始权值和阈值导致输出稳定性低的问题,本文采用遗传算法对Elman神经网络的初始权值、阈值进行优化处理。结果表明,与单Elman模型预测效果相比,GAElman模型的预测效果更优。3.Elman作为浅层学习系统,难以进行表征学习,针对于数据量大,负荷周期性不明显,外界因素对负荷变化影响较大的数据集,为了进一步挖掘数据间的内在联系,搭建了基于长短期神经网络、极限梯度提升算法与宽度学习系统的组合预测模型。首先通过训练集确定每个模型的最佳参数,然后利用训练集对组合模型的结果进行加权处理,使预测结果更接近真实值。测试集表明,所搭建的组合模型与单一模型相比,预测精度更高。为验证本文所提方法的有效性,采用湖北某地收集到的真实用电数据进行算例验证,设计了多种对比方案,对预测误差指标进行对比。结果表明所搭建的预测模型在精度及泛化性上都具有一定的优势。