电力负荷预测研究作为电力系统稳定运行的重要组成部分之一,为市场环境提供了高效、经济的发电计划和交易计划。准确无误的电力负荷预测能够有效保障电力电网系统的健康高效运行,对增强电网运营效率,提升供电企业市场竞争力有重要意义。本文以扬中市高新区1,040家企业的用电负荷数据作为研究主体,在总结比较常用的电力负荷预测方法的基础上,针对扬中市高新区当地电力负荷预测的问题特征,提出一种基于混沌自适应粒子群算法的参数优化方法,并在参数优化方法的基础上建立支持向量回归机和极限学习机模型,找到扬中市高新区企业用电负荷预测的最优模型。首先,对当前电力负荷预测的研究方向和预测方法进行归纳总结。结果发现电力负荷数据存在大波动性和大随机性,基于节假日、天气、温度、湿度、历史用电负荷和当地月经济消费额的短期电力负荷预测模型更能够提高用电负荷预测的准确率,且人工智能预测算法能够更好的处理这种多因素非线性的样本数据。然后,分析扬中市企业用电负荷的历史数据特征,采用三西格玛准则清洗企业用电产生的异常负荷数据,并根据当地外界因素,建立多维度变量的数据模型矩阵,同时利用皮尔逊相关分析法确定各维度变量的相关系数值,剔除无关因素。最后,针对预测算法参数选择困难的问题,提出一种新型的粒子群参数优化算法CASPSO。在考虑各种实际影响因素的基础上,分别建立基于支持向量回归机SVR和极限学习机ELM的预测模型,并进行模型对比。结果表明,CASPSO算法比标准粒子群算法寻优效果更好;基于CASPSO算法优化的SVR模型的预测准确率高于基于CASPSO算法优化的ELM预测模型的准确率;基于CASPSO-ELM模型的运算效率高于基于CASPSO-SVR的运算效率。