随着全球科学技术的进步和经济的发展,电网规模日益扩大,新型可再生能源的更加普及,电网结构更加复杂,全球多个国家都制定了智能电网发展战略。精确的电力负荷预测是智能电网进行在线智能分析、及时预警处理和精准决策的基础。电力负荷会受到不同的社会因素和自然因素影响,这些因素和电力负荷之间具有复杂的非线性关系,使得精确的电力负荷预测有一定挑战性。因为不同节假日和普通日电力负荷变化模式具有差异性,而且节假日数据稀缺,导致节假日电力负荷预测成为了电力负荷预测领域的难点。为了降低节假日电力负荷预测的误差,本文提出了一种增量学习派生多重子模型的预测方法。首先利用互信息方法对数据进行特征选择,建立样本并划分验证数据集和评估数据集,验证数据集用来寻找电力负荷变化规律特殊的目标节假日,评估数据集用来评估模型性能。分别用每个目标节假日的数据对学习了全部训练集知识的初模型进行增量学习,通过加强对目标节假日数据的学习使初模型派生为适应不同的目标节假日电力负荷预测任务的子模型。最后使用不同的节假日子模型来预测目标节假日的电力负荷,而初模型则用来预测其他日期的电力负荷。增量学习加强了初模型对特殊节假日的关注,从而学到更多特殊节假日电力负荷变化规律,派生多重节假日子模型的方式则避免了因为节假日负荷模式不同对普通日和其他节假日预测精度造成负影响。对澳新南威尔士州和美国缅因州的每日峰值负荷进行预测研究,实验结果显示本文提出的方法能够显著的提高GBRT、XGBoost和Cat Boost对于特殊节假日峰值电力负荷的预测精度,而且额外时间开销很少。和其他电力负荷预测方法相比,本文提出的方法对于节假日电力负荷预测的误差更低,这证明了本文提出的方法的有效性。