随着经济的快速发展,电力需求快速增加,作为重要的二次能源,电能在社会发展和人民生活中扮演着极其重要的作用。电力负荷预测是电力系统运行和分析的基础,对于机组组合、经济调度、安全校核具有重要意义,提高负荷预测精度有利于进一步促进电网稳定、安全、可靠运行。鉴于负荷预测的重要作用,本文以超短期、短期负荷预测为主线,并用2016年电工杯数学建模竞赛真实数据进行验证,使用平均绝对百分比误差（Mean Absolute Percent Error,MAPE）、均方根误差（Root Mean Square Error,RMSE）、平均绝对误差（Mean Absolute Error,MAE）作为评估指标,主要完成以下研究内容:（1）为了解决模型超参数搜索效率低、预测精度低的问题,提出利用贝叶斯优化方法对XGBoost的超参数进行优化,并通过数据建模处理模型输入、输出,进而研究未来1小时的超短期负荷预测。实验结果表明,相较于网格搜索,贝叶斯优化方法搜索更快,能提高预测精度。XGBoost的MAPE、RMSE、MAE分别为2.096%、315.819MW、177.719MW,对比其它3个模型,预测结果较好。（2）为了解决单模型预测精度提升有限的问题,提出利用Stacking模型实现未来1小时的超短期负荷预测。Stacking以随机森林、XGBoost、k近邻、线性回归作为初级学习器,梯度提升决策树作为次级学习器,并使用贝叶斯优化方法优化模型超参数。为了避免过拟合,初级学习器都采用4折交叉产生次级学习器的输入。实验结果表明,Stacking的MAPE、RMSE、MAE分别为1.932%、247.305MW、154.853MW,对比6个单模型,预测精度最好。此外,对次级学习器、Stacking结构的研究表明,所选择的Stacking结构比较合适。（3）在超短期负荷预测基础上,研究未来1天的短期负荷预测,实现多输出预测。主要提出两种神经网络组合模型研究短期负荷预测。首先提出支持向量回归（Support Vector Regression,SVR）与深度神经网络（Deep Neural Network,DNN）串行集成的模型SVR-DNN,通过DNN学习SVR的残差,对比其它3个模型,SVR-DNN的预测结果较好,并进一步引出DNN与门控循环单元（Gated Recurrent Unit,GRU）集成的模型DNN-GRU。在此基础上,提出了SVR-DNN与DNN-GRU平均加权的组合模型SDDG,实验结果表明,SDDG组合模型的MAPE、RMSE、MAE分别为2.711%、369.646MW、202.690MW,对比其它4个模型,预测结果最好。由于温度对负荷有较大影响,所以提出了基于k均值-DNNGRU的短期负荷预测组合模型,实验结果表明,k均值-DNNGRU组合模型的MAPE、RMSE、MAE分别为2.674%、348.994MW、206.012MW,对比其它4个模型,预测结果最好。最后,对比SDDG、k均值-DNNGRU组合模型,k均值-DNNGRU预测效果更佳,SDDG适合在夏季预测,而k均值-DNNGRU更适合在冬季预测。