电力负荷预测作为电力体系下极其关键的环节,关系到居民的正常生活和企业的良好运转。准确的负荷预测能够对发电容量的合理调度以及有效降低发电成本带来积极的作用。因而进行电力负荷预测,特别是电力系统短期负荷预测,具有非常重要的意义。本文通过建立基于群智能优化算法的神经网络预测模型,利用局部均值分解（LMD）处理负荷数据,使用人工萤火虫算法（GSO）、万有引力算法（GSA）和粒子群算法（PSO）,对三种神经网络:小波神经网络（WNN）、标准支持向量回归（ε-SVR）以及BP神经网络（BPNN）的参数进行优化,同时结合GSO、GSA、及PSO算法各自的优势,提出四种改进算法,最终实现对澳大利亚昆士兰州的电力负荷数据的准确预测。研究工作分三步进行:第一步,利用LMD将原始数据分解为一系列乘积函数（Product Functions,PFs）和剩余分量,然后从原始数据中剔除最高频率项,将该去除噪声的数据用于网络训练。第二步,利用GSO、GSA和PSO分别优化以上三种神经网络的参数,达到提高神经网络预测性能的目的,之后用训练好的神经网络滚动预测昆士兰州一天的电力负荷。第三步,为了进一步提高预测模型的预测精度,文章结合GSO、GSA、PSO算法各自在全局搜索和局部搜索中的优势,将GSO、GSA算法分别与PSO算法组合,创新地提出优势互补的混合算法:GSOPSO₁、GSOPSO₂、GSAPSO₁、GSAPSO₂,然后用这四种算法再次优化神经网络的参数并进行预测。第四步,鉴于GSOPSO₂和GSAPSO₂算法中的参数aa对自身的预测性能有较大影响,我们以0.05为步长使用网格搜索的方法,通过寻找最佳aa来提升这两种算法的优化性能。第五步,对本文用到的所有预测模型进行冗余检验,然后结合灰色关联分析和预测有效度分析,得到所有模型预测性能的综合有效性排序。实验结果表明GSOPSO₁、GSOPSO₂、GSAPSO₁以及GSAPSO₂能较好地提升网络预测性能,基于该四种算法的混合模型能够取得较高的预测精度。