我国的现代化建设水平不断增强,各个产业各个地区的用电量也在飞速增长,面对迅猛增长的用电量,电力系统需要对电力市场有精确地供需关系把控,而短期电力负荷预测是电力系统对供需关系合理把控的重要参考依据。有效精确的短期电力负荷预测,可以节约资源,提高经济效益,维护社会发展的稳定。首先,本文对短期电力负荷预测进行了相关理论阐述,根据历史负荷特点,介绍了集总经验模态(EEMD)相关理论方法并利用该方法对历史负荷数据进行分解,将分解的向量作为预测模型的输入量的一部分。其次,对最小二乘支持向量机模型(LSSVM)进行研究并采用标准粒子群(PSO)算法对模型的参数进行优化。针对PSO算法中出现的局部收敛早熟问题,提出了改进的PSO算法,建立改进PSO-LSSVM模型。考虑到影响负荷数据变化的因素,对选取的7种影响因素进行降维处理后加入到预测模型的输入量中。仿真实验表明,考虑负荷影响因素的模型可以提高预测精度,主成分分析后减少了输入变量的维度,改进PSO-LSSVM预测模型解决了局部最优解的问题,模型的预测精度上有所提高。最后,对极限学习机网络模型(ELM)进行研究并采用生物地理学(BBO)算法对ELM模型参数进行优化,针对BBO算法迭代中的局部收敛问题,提出了改进的BBO算法,建立改进BBO-ELM模型。在原有模型输入量前提下进行仿真实验,结果表明,改进BBO-ELM预测模型解决了收敛早熟问题,提高了预测精度并且预测精度稍高于改进PSO-LSSVM模型,利用MATLAB GUI设计了短期负荷预测的人机交互界面。