随着我国电力事业蓬勃发展,用户用电情况愈发复杂,准确电力负荷预测精度更加难以保证,同时可再生能源发电的并网使得提升负荷预测精度成为一个亟待解决的问题。目前常规预测方法的应用场景往往较为单一,数据规模对算法影响较大,且智能程度有待提升。为此,本文设计了一种组合短期电力负荷预测模型,算法模型组合了基于支持向量机(SVM)预测方法及基于长短记忆神经网络(LSTM)预测方法,利用BP神经网络组合吸收二种算法优点,最终实现模型预测精度高于组合前算法。首先,本文列举短期电力负荷预测常用算法,分析各个算法适应场景及其优缺点;阐述本文使用的支持向量机、神经网络等模型的原理,并针对电力负荷预测需求提出对算法模型的优化方式。其次,设计了融合多个算法的组合模型,提出了组合算法思想并设计了组合框架,分别阐述组合模型各部分的搭建及优化手段;设计了使用自组织神经网络及孤异森林的数据处理流程,并采用这一手段对数据进行了预处理;搭建了算法的训练网络,确定了组合神经网络参数。第三,采用大数据技术,设计了基于HDFS、HBase的电力负荷数据库,可实现非结构化文件类型的电力负荷数据、键-值对形式的负荷数据的存储管理,以及数据内容查找、异常负荷数据文件快速定位,保证搭建的预测模型拥有弹性可伸缩的数据源。最后,基于机器学习与深度学习框架,编程实现各算法并使用真实数据进行实验,分别验证基于SVM支持向量机的预测模型、LSTM长短记忆网络模型以及组合预测模型的有效性。验证结果表明,组合模型的算法最终预测误差一般低于2%,算法模型可作为电力负荷的智能化分析与预测的有效工具手段。