在我国新能源发展战略的指导下,分布式发电技术、电力电子技术、智能控制技术得以迅速提高。由于分布式发电系统大量并入,负荷区域冗杂度进一步增加,建模工作开始向广义负荷方向发展。如何有效建立广义负荷模型,提高仿真精度,是电力系统研究领域中亟待解决的难题。为此,本文提出了两种基于优化神经网络的广义负荷建模新方法。针对广义负荷随机性且复杂性的问题,提出了一种基于自编码器融合极限学习机（Auto Encoder-Extreme Learning Machine,AE-ELM）的建模方法。首先利用自编码器能降低输入数据维度的优势,提取特征值,通过其最小化重构误差的特点,求得自编码器的编码结构。然后,将此结构作为极限学习机输入端的结构,得到了已优化隐层节点数的极限学习机。最后,利用极限学习机的有监督学习优势,计算隐层至输出层权值,保证网络收敛至最优值。并对含有双馈感应风力发电系统与蓄电池储能系统的广义综合负荷区域进行建模测试,通过与常用的神经网络训练拟合的结果进行对比分析,验证了该方法的精确性和可行性。在上述研究的基础上,提出了一种基于海鸥优化深度-迁移长短期记忆网络（SOA-LSTM-Da NN）的建模方法。首先,将之前搭建的广义负荷系统作为源域模型,通过增加新的分布式发电系统,构成目标域模型。利用源域数据集对LSTM网络（Long Short-Term Memory）进行预训练。同时,为进一步提高模型的逼近能力,采用海鸥算法（Seagull Optimization Algorithm,SOA）对LSTM隐层模块的权值和阈值进行优化。然后在LSTM网络后加入深度域自适应网络（Domain-Adversarial Training of Neural Network,Da NN）,形成LSTM-Da NN网络,借助最大均值差异法计算出源域数据与目标域数据之间的分布距离,作为迁移学习的度量指标,将预训练模型的参数迁移至LSTM-Da NN,展开微调训练至损失最小,最终获得目标域的广义负荷模型。通过对比RNN（recurrent neural network）、LSTM、SOA-LSTM和SOA-LSTM-Da NN在发生不同电压扰动情况以及不同风机容量下的拟合结果,验证了该建模方法的有效性。