随着经济迅速地增长,电力负荷也随之有着较大的增长。但是,目前存储电能有限,存储费用非常昂贵,传统的电力调配方式使得用电高峰期时无法正常供应,用电低谷期时存在很大浪费。对于电力负荷需求的增加,构建一个高效、节能、安全和清洁的智能电网已经成为一个共同努力的目标。电力负荷预测是智能电网建设的基本环节之一,精准、时效的负荷预测是智能电网实现节能降耗、调度精细化管理和电网安全预警的基础。在短期电力负荷预测中,本文首次提出多算法多模型与在线第二次学习结合的预测方法。首先利用互信息方法和统计方法对输入变量进行选择,构造数据集;然后通过Bootstrap方法对数据集进行多样性采样,利用多个不同的人工智能算法和机器学习算法训练得到多个差异化较大的预测模型;最后将每个待预测时刻最近一段时间的原特征值、第一次学习生成的多异构预测模型的负荷预测值和负荷实际值构成新训练数据集,对新训练数据集进行在线第二次学习,得到决策模型,从而得到最终预测结果。本文将多算法多模型与在线第二次学习结合的预测方法应用在电力系统城市每日总负荷和每日峰值负荷预测中,通过实验和对比研究探索数据集的选取、多样本集构建、多元非线性异构模型构建、在线第二次学习。对中国广东省广州市近三年每日总负荷和每日峰值负荷进行预测研究,实验结果为,多算法多模型与在线第二次学习结合的预测方法相比于最优单模型、最优单算法多模型和最优多算法单模型,在每日总负荷预测中,全年MAPE下降了22.61%,10.98%和13.10%,在每日峰值负荷预测中,全年MAPE下降了 15.79%,7.69%和11.77%。实验结果表明,在数据集构造中,通过利用跨界多源数据更好地揭示了负荷变化的内在规律和趋势;在采样空间中,对训练集进行多样性采样,克服了单模型过拟合问题,泛化能力增强;在预测模型构建中,将多个算法优势互补,解决单个算法适用范围受限的问题,并且,并非组合算法数目越多越好,不同算法与数据特征之间具有不同的正负融合效应;在决策模型构建中,采用在线第二次学习方法,解决了电力负荷存在的增长率和近因效应问题。