电力作为一种能源形式,从诞生伊始,就引领了能源与工业的革命,并完全改变了人们以往的生活、工作方式。电力系统是一个由发电、输电、配电、用电等环节构成的电力生产、输送及消费的系统,它将整个电力行业有效地联结到了一起形成一整条产业链。精确的电力需求预测是保持电力系统安全、稳定、经济、高效运行的保障,电力需求预测的结果不仅能为管理部门审批电力投资项目提供依据,还能为电网的优化调度提供决策支持,更能为发电站的发电计划提供数据支撑。电力能源又不同于其他消耗品,它具有一个重要特征是无法存储或者存储代价十分巨大,这就需要电力从生产完成开始就需要立即经过电网输送到用户端消费,使得电力的生产、输送、消耗在同一时间完成,并形成动态的平衡。精确的电力需求预测将能有效地调节电力的生产计划和电网的调度计划,避免产生严重的电力生产与消耗不平衡问题,并为决策者提供决策支持。电力需求数据在不同的时间长度中呈现出不同的变化趋势,但大多均具有复杂的非线性、波动性和随机性等特征,这就使得传统的预测方法无法获得精确的预测结果,给电力需求预测带来了很大的困难。本文将根据不同类型、不同时间段的电力需求数据分别建立需求预测模型进行预测研究,主要的研究工作如下：(1)对于短期单因素电力需求预测问题,提出了一种改进的自适应遗传优化的ARMA模型进行预测。在该模型中,针对ARMA模型定阶困难的情况,采用自适应的遗传算法来决定模型的阶数。又由于传统的自适应遗传算法在算法初期适应度值接近种群中最大适应度值时容易出现种群进化停滞而收敛于局部最优,为此对自适应的交叉概率和变异概率进行改进并将概率与迭代数目相关从而克服了传统自适应遗传算法的不足。然后将该模型应用于美国PJM公司的每小时电力预测中,结果显示该模型的预测精度较高。(2)对于中期单因素电力需求预测问题,分别研究以月度和年度为时间间隔的电力需求的未来变化趋势。针对单因素条件下的月度中期电力需求预测问题,提出了一个季节性GATS-SVR模型,在该模型中采用遗传和禁忌搜索的混合算法进行参数寻优,克服传统遗传算法过早收敛和爬山能力不足的问题。同时,充分利用用电量的周期性变化规律并引入季节性调整因子来提高预测精度。并在算法中将最小一乘准则作为参数寻优的评价标准来提升模型的稳定性。最后将该模型应用于江苏省月度全社会用电量预测中,实例结果表明季节性GATS-SVR模型拥有较高的预测精度。针对单因素条件下的年度电力需求预测问题,提出了基于初值优化的最小一乘PSO-GM(1,1)模型。在该模型中对传统的GM(1,1)模型的初值进行改进,以累加序列的最后一个点为基础,并在此之上乘以一个信息增益或缩减的因子变量作为新的初值条件。同时采用最小一乘准则代替最小二乘准则进行参数寻优,克服存在奇异点时引起的误差扩大情况。然后,通过时变权重的粒子群优化算法对模型的参数进行寻优。最后使用该模型对我国全社会年度用电量进行预测分析,结果显示该模型的预测精度较传统模型要高。(3)对于中期多因素电力需求预测问题,考虑与电力需求相关的经济、环境等影响因素,并利用这些相关影响因素及历史电力需求数据分别构建时变权重的粒子群参数优化PSO-CV-SVR模型和基于最小一乘准则的遗传参数优化GA-SVR模型对江苏省月度全社会用电量进行预测研究,实例结果显示这两个模型的预测精度均比BP-神经网络模型要高。(4)对于中期多因素条件下的电力需求的区间预测问题,提出了一种WMC-GS-CV-SVR的概率区间优化预测模型。在该模型中,首先通过网络搜索交叉验证(GS-CV)思想对SVR模型进行参数寻优,然后利用GS-CV-SVR模型进行一步预测。接着利用加权马尔可夫链原理根据预测的偏差进行模型修正,将点预测转化为区间预测,给出了未来预测区间的概率分布,使决策者能够了解未来电力需求的高估或者低估的概率信息。最后根据区间概率分布信息使用期望预测法给出了电力需求的预测值,通过江苏省月度全社会用电量的实例结果表明该方法的预测精度也较高。