电力负荷作为电力系统中的重要组成部分,其重要性不言而喻。但因其具有时变性和不稳定性,容易导致电力负荷曲线产生波动,不利于电力系统的平稳运行。因此,只有对电力负荷进行更好、更快、更准的预测,才能为整个电力系统的稳定合理经济的运行保驾护航,从而更好地为国民经济提供更加安全优质的电力供给。近十几年来,国内外研究人员对负荷预测做了大量的研究,各种负荷预测方法大量涌现,具有代表性的方法有神经网络法、支持向量机法等。但是,神经网络法需要以大量的迭代运算作为基础,整体结构复杂,涉及的参数较多,网络学习速度较为缓慢。所以本文考虑在神经网络的基础上,使用基于粒子群算法优化的极限学习机模型,结合实际电力负荷数据对短期电力负荷预测问题进行相关研究。首先,本文对人工神经网络进行了简单的介绍,简述其理论及推导,最后引出本文采用的极限学习机的基本原理并介绍了其特点。其次,对真实历史负荷数据进行了预处理,利用回归系数法与热度图进行数据特征提取,将处理后的数据用于之后的负荷预测。然后,在基础的粒子群算法理论上提出了复合最优型粒子群算法并进行了实验验证了其可行性。最后尝试实现极限学习机算法与粒子群算法的结合,利用粒子群算法的寻优能力,对极限学习机参数进行寻优以得到更好的极限学习机,即完成更好的预测模型。最后具体描述基于改进粒子群算法优化极限学习机模型的实现过程,利用具体数据进行算例分析,验证预测模型的可行性。