随着电力系统运营环境的日趋复杂、中国经济新常态下电力体制改革的不断深化和竞争性电力交易市场的逐步构建与完善,电力负荷的准确预测在提升电力系统运营管理水平和提高电力企业经济效益等方面扮演着特别重要的角色,并已成为管理科学在电力系统运营与管理中的重要研究课题。尽管以往研究针对各种负荷预测问题提出了许多优秀的负荷预测理论和方法,但无论采用哪种预测方法,预测模型的性能都受多种关键技术细节(如模型的输入特征选择、参数选择、模型选择等)的影响。本文针对负荷预测模型构建过程中的关键技术问题(如输入选择、模型参数优化、模型选择等问题),基于文化基因算法构建自适应的负荷预测模型,以提升负荷预测模型的性能。同时结合电力负荷预测研究中短期负荷预测、区间型负荷预测等典型预测问题进行应用研究。此外,结合本文在特征选择、参数优化、模型选择等问题上的研究成果,设计负荷预测支持系统,为决策者提供决策工具。综观全文,本文的主要研究工作和创新性成果如下：首先,针对基于支持向量机(Support Vector Regression, SVR)的电力负荷预测模型中参数优化的问题,提出了基于萤火虫算法的文化基因算法,并将其用来寻优SVR负荷预测模型的参数。基于两个实际电力市场的负荷预测案例表明,该方法能自适应的寻优预测模型的参数并有效提高了模型的预测精度。其次,筛选有效的输入特征是构建预测模型的基础。通过分析以往特征选择中常用方法(Filter方法和Wrapper方法)的优劣,结合电力负荷预测这一电力市场研究中的热点问题,开展了以下研究：(1)以往的Wrapper方法虽然能筛选出预测性能好的特征子集,但针对较大规模的数据,Wrapper方法的搜索空间的维度非常大,运行效率低,对执行搜索任务的智能优化算法来说是很大的挑战。为简化Wrapper方法的搜索空间,整合Filter方法的优势,本文设计了Filter-Wrapper混合输入选择方法,并结合短期电力负荷预测问题进行了实证研究。结果表明,该混合特征选择算法能高效的筛选出较少的特征子集,并能有效提高SVR负荷预测模型的预测精度。(2)针对已有的负荷预测研究更多关注单值预测的情形,提出基于多输出支持向量机(MSVR)的区间型负荷预测模型,并针对区间型负荷预测模型中的特征选择问题,基于文化基因算法(Memetic Algorithms, MA)设计了适应区间型负荷数据特征的特征选择算法。结合实际负荷预测案例的实证研究表明,提出的MSVR-MA模型不仅能自适应的筛选输入特征,而且得到的预测精度明显优于其他对比模型。再次,针对以往研究一般将特征选择和参数优化分别采用不同的方法进行优化的问题,本文提出了统一框架下的广义模型选择问题(Generalized Model Selection Problem)。围绕模型选择这种混合连续-离散优化问题,进一步设计了基于CLPSO的混合变量MA算法,并用来优化提出的模型选择问题。结合电力负荷预测这一电力市场中的传统热点问题,通过对比多种不同的模型选择策略,统一框架下的广义模型选择的优势及提出的CLPSO-MA算法在解决模型选择问题的优势在均得到了验证。最后,基于本文在预测模型参数优化、特征选择、模型选择等的研究成果,设计了基于文化基因算法的电力负荷预测支持系统。该系统整合了丰富的优秀定量预测模型和专业的专家经验知识,集成先进的模型参数优化、特征选择和模型选择等模型构建中的关键问题解决方案,通过友好的界面和用户交互使得用户能够较好地解决负荷预测这类复杂问题。