负荷数据自身存在高维的非线性特征,同时负荷数据也会受到气象,电价等外部因素影响,特别是净负荷数据直接与光伏发电出力相关。因此,负荷数据在预测时,其特征的构建和选择直接影响到模型的精度和预测成本。本文通过数据驱动的方式建立负荷预测短期模型,主要取得以下研究成果:（1）针对负荷相关因素的高维非线性特征影响模型预测精度与训练成本问题,文中设计了一种利用相空间重构（Phase Space Reconstruction,PSR）和随机配置网络（Stochastic Configuration Networks,SCN）的电力负荷短期预测模型。文中所提方法首先采用主元分析法（Principal Component Analysis,PCA）实现相关数据的分析和维度约简,将约简后的数据与负荷数据根据时间轴组成多变量数据。再利用相空间理论中的互信息法和虚假近邻法求取所需参量,最后根据所求参量构建多变量序列的高维结构并使用随机配置网络对电力负荷进行建模。在真实数据集上的实验结果显示,和长短期记忆网络（Long Short-Term Memory network,LSTM）,自回归积分滑动平均模型（Autoregressive Integrated Moving Average Model,ARIMA）等相比,文中设计的方法具备了人工参与程度抵、计算速率快的优点,并具有相当的实用性。（2）针对新能源发电出力影响电力负荷预测精度与抗噪性能问题,文中提出了一种基于变分模态分解（Variational Mode Decomposition,VMD）和改进N-BEATS网络的电力负荷短期预测模型。首先通过计算负荷数据不同模态数的相对熵（Relative Entropy）确定分解模态数预设值,并通过变分模态分解将负荷数据分解成不同的IMF（Intrinsic Model Function）分量,利用与软阈值（Soft Thresholding）结合的改进NBEATS网络对负荷数据和光伏发电出力数据分别建立预测模型,最终得到净负荷预测模型。用欧洲电网公开数据集验证所提方法的有效性,结果表明,与VMD-NBEATS模型、N-BEATS网络、改进的N-BESTS网络、长短期记忆网络、门控循环神经单元（Gated Recurrent Unit,GRU）、支持向量机回归（Support Vector Regression,SVR）和随机森林（Random Forest,RF）相比,文中设计的方法在考虑负荷频域影响的同时约简了模型数目,并能构建高辨识度特征,有较好的抗噪能力。（3）利用基于python的Django框架设计了电力负荷预测分析系统。