电力负荷预测是能源管理系统的重要模块,旨在为电力系统提供一个安全可靠的自动化管理平台,短期负荷预测的准确性对于电力系统的运行管理、电力生产和购买计划、可靠性和安全性分析以及系统维护计划等关键决策的制定有很大影响。因此,提高短期负荷预测的准确水平,不仅可以提高进度计划的管理效率,而且可以显著降低运营成本。随着太阳能普及率的不断提高,太阳能发电的波动性和不确定性给电网管理带来了困难。因此为了保证大电网稳定、实现光伏发电机组的最优投入和电力系统的经济调度,并降低光伏发电成本和发电量的不确定性,精确的太阳能发电预测是非常有必要的。膜计算作为一种新型的自然计算方法,具有处理不同数据的各种膜系统结构。本文将利用组织型膜系统的计算结构和规则,结合模糊聚类对电力负荷和光伏发电的历史数据进行预处理。具体工作如下:针对极限学习机的输出随机性,稳定性和泛化能力较差的缺点,本文结合粒子群算法及隐含层神经元个数遍历法对传统极限学习机进行了改进。在改进极限学习机的基础上,本文提出了一种基于模糊膜聚类的改进极限学习机的预测方法,极大地提高了短期负荷预测和光伏发电预测的准确性和稳定性。本文结合电力负荷的特点,首先深入地分析了负荷的自身特性以及气温、时间等因素对于短期负荷变化的影响;其次运用模糊膜聚类算法选取负荷预测日的输入样本,提高输入样本有效性;最后运用经过粒子群算法和隐含层神经元个数遍历法改进过的极限学习机进行预测,运用不同方法对两个地区同一季节的负荷和同一地区不同季节的负荷进行仿真,实验结果表明模糊膜聚类算法与改进极限学习机的组合预测模型具有较高的精度,提高了电力系统短期负荷预测的准确性。为了提高光伏发电输出功率的预测精度,本文首先对影响光伏发电出力的影响因子作相关性分析,选取相关系数较大的影响因子作为光伏发电预测的输入样本;其次,利用模糊膜聚类算法对历史光电输出功率样本及其影响因素进行分析并选取各种类型的典型日;然后,利用预测日所属类别的历史数据和预测日的气象数据,分别运用BP神经网络,极限学习机,改进极限学习机和基于模糊膜聚类的改进极限学习机四种方法对某光伏发电系统进行预测,通过对比分析验证了本文所提预测方法的有效性。