电力负荷预测对电网的能源管理和合理规划有着不可替代的作用。不仅可以为实现电能的高效利用提供参考,而且在电网的实时调度和控制方面发挥着不可替代的作用。准确的负荷预测在推进电力行业商业化、市场化进程中起到重要作用。论文在分析电力负荷的分类及其内在和外在特性以及电力负荷预测的评价指标基础上,提出基于模态数预估VMD及改进神经网络的电力负荷预测方法。首先,为降低原始负荷数据的复杂度,引入变分模态分解(Variational Mode Decomposition,VMD)技术对负荷数据进行分解。通过与经验模态分解(Empirical Mode Decomposition,EMD)进行仿真对比,验证了VMD的滤波特性和抗模态混叠都优于EMD。在分解模态数k的选取上,提出使用傅里叶分析方法分析信号的幅频特性,从而对k值进行预估。构建基于VMD的预测模型,使用实测数据进行实验,验证了方法在进行负荷预测时的有效性。然后,针对BP神经网络在训练过程中容易陷入局部极小值的缺陷,引入萤火虫算法(Firefly Algorithm,FA)优化BP神经网络的初始权值阈值,结合VMD方法建立了优化后的预测模型,针对美国南部某地的实测数据进行仿真分析,并与其他几种方法进行对比,验证了所提方法的有效性和优越性。其次,针对RNN神经网络的梯度消失问题,引入长短时记忆深度神经网络(Long Short-Term Memory,LSTM),结合VMD方法建立了负荷预测模型,对美国南部某地的实测数据进行仿真分析,结果证明,针对VMD分解的特征数据,LSTM深度神经网络的预测性能进一步提高。最后,引入多变量气象因子,采用核主成分分析方法(Kernel Principal Component Analysis,KPCA)对其进行降维筛选,将KPCA-VMD-FABP、KPCA-VMD-LSTM、VMD-FABP和VMD-LSTM做了实例对比分析,验证了本文两种模型的有效性。并且KPCA-VMD-LSTM在考虑多因素负荷预测中更为有效。