电力能源作为高效绿色能源在如今社会扮演着举足轻重的角色。电力系统短期负荷预测,对电力部门的合理调度和稳定运行具有重要的参考意义,也是电网优化运行的基础。电力负荷短期预测研究已经持续了很多年,但随着人类社会的迅猛发展,自然气候的变化使得影响电力负荷的因素也越来越多,电力系统负荷在短期内波动变得更加复杂,传统短期预测方法已经不能再满足预测精度的需要,因此,选择合适的预测方法,提升预测精度具有一定的研究意义。本文基于安徽省某一地区的电力负荷,对负荷特性和短期负荷预测模型进行了研究。首先,分析了传统预测模型例如BP神经网络和SVM支持向量机在短期负荷预测上所面临的主要问题,基于此,本文建立了极限学习机电力负荷短期预测模型。但极限学习机中初始输入权值和隐含神经元阈值具有随机性而导致预测性能不稳定甚至预测精度达不到要求,本文在粒子群优化算法的基础上动态调整参数并与遗传优化算法结合后对极限学习机输入权值和隐含神经元阈值进行寻优以改善预测性能。其次,因电力负荷受到人类活动及外界多种因素的影响,导致序列信号中含有大量噪声呈现出随机性和非线性的特点,为了提取负荷序列的局部特征和避免模态混叠,本文采用了变分模态分解技术,将原始电力负荷序列分解成有限带宽的子序列,然后分别计算子序列的样本熵,样本熵反映了序列复杂程度,将样本熵值相近的子序列合并为新序列,再分别与优化后的极限学习机预测模型结合,将各个子序列的预测结果重构,得出最终的预测结果。最后,将某一地区真实电力负荷数据作为样本数据进行了仿真测试,其仿真结果表明,上述两种改进后的模型在不同日类型负荷预测中,预测性能均有明显的提高,在工程实践中可以得到较为满意的结果。