电量预测这项技术无论是在国家电网公司的投标评估系统还是在当今的开放电力市场中,都都至关重要。然而在当前售电公司所面临的电量预测问题中,历史电量数据以及电量预测的误差分布通常是非线性,非高斯分布的,且由于用户规模小,一些随机事件及数据收集误差会异致离群值的出现,对预测结果造成较大的影响,这就使得传统的预测方法不再适用。作为非线性预测模型的极限学习机《Extreme Learning Machine,ELM)已被验证在回归预测领域具有良好的性能,然而,传统ELM以均方误差《Mean Squared Error,MSE》准则为代价函数,其对离群值较敏感,输出结果受离群值的影响较大,使其无法在电量预测问题中正确表示非高斯情况下的误差统计信息。为了解决这一问题,本文通过引入广义最大相关熵准则(Generalized Maximum Correntropy Criterion,GMCC),构建了一种新的鲁棒预测模型.GMCC作为信息理论学习方法论中一种新的代价函数可用于解决非高斯信号处理问题。因此,本文以GMCC作为新的代价函数替代原始ELM的MSE代价函数,构建了GMCCELM电量预测模型。此外,为了解决GMCCELM网络结构左侧权值随机给定导致其输出结果不稳定的问题,引入核极限学习机(Kernel Extreme Learning Machine,KELM)。研究了KELMGMCC电量预测模型。此外,通过数据统计分析方法研究本文案例中用户用电量的影响因素,发现历史气温和历史电量是影响未来电量变化的主要因素,因此将这两个因素作为预测模型的输入。最后,使用广州省某商业用户的历史电量及其所对应的气温数据验证本文所建立预测模型的实用性,并与其他算法进行对比。预测结果表明,与传统的ELM和其他算法相比,本文所建立的鲁棒预测模型可以有效提高电量预测的精度。