社会经济的发展给电力系统供应部门带来了挑战。精确的电力负荷预测能够保证电网系统的稳定运行。论文在分析电力负荷分类和基本特性基础上,对影响电力负荷预测的多种气象因素进行了可视化降维分析,减少了多维数据间的耦合性。研究了改进的极限学习机（Extreme Learning Machine,ELM）预测方法,提升了预测精度。论文的主要工作如下:首先,引入地区气象因素对电力负荷预测精度的影响。为简化预测模型,提出将随机邻域嵌入（Stochastic Neighbor Embedding,SNE）的改进算法T分布随机邻域嵌入（T-distributed stochastic neighbor embedding,Tsne）可视化降维算法用于气象数据的降维,解决了SNE算法的可视化效果不佳且数据结构易发生改变的问题。其中,针对Tsne算法困惑度参数筛选困难的缺点,提出了一种困惑度参数自动筛选准则方法,将复杂的图文交互选择简化为数值的比较,并完成参数的自动筛选,有效地规避了Tsne算法使用过程中人为设定参数时具有主观性。通过对比实验验证了Tsne降维对原始数据的保留程度更高,验证了自动筛选困惑度参数方法的有效性。其次,针对ELM电力负荷预测模型存在的局限性,提出利用飞蛾火焰（Moth Flame Optimization,MFO）算法在求解具有约束和未知搜索空间这类复杂问题时具有的优越性对ELM改进,得到MFOELM预测模型,解决了ELM权值输出不稳定,预测精度不够高的问题。经过函数的寻优实验验证了MFO优化参数的优越性,通过电网48点电力负荷预测实验,将本文方法与粒子群（Particle Swarm Optimization,PSO）算法对ELM改进后模型的参数寻优性能和预测性能分别进行对比分析,验证了飞蛾火焰算法改进了ELM神经网络输出权值不稳定的问题,更好地提高了ELM模型的预测精度。最后,针对上述方法在负荷变化量极大的时刻,预测误差与其他时间点的预测误差相比较大的问题,提出自适应蚱蜢算法（Adaptive Grasshopper Optimization Algorithm,AGOA）对ELM算法进行改进,在蚱蜢优化算法（Grasshopper Optimization Algorithm,GOA）的基础上,引入自适应策略以调整蚱蜢探索和开发过程,得到新的更新机制。通过变步长的机制指导粒子进行更新,可以提升个体粒子达到最优,增加了更新指导过程的可靠性并加快粒子收敛速度。经过多峰多谷函数的寻优实验验证了AGOA优化参数的优越性。通过电网96点电力负荷预测实验,AGOAELM消除了个别预测误差大的点,进一步提升了预测精度和预测稳定性。