随着科技发展和用户生活水平提高,化石能源导致的环境问题日益险峻,可再生能源结合信息技术快速发展,能源互联网的概念被提出并快速发展,电网是能源互联网中重要的组成部分,传统电网已无法满足用户需求,作为提高信息互享及智能配电的新思路,智能电网得到大力发展。智能电网的关键要素是用户侧电力分配,故精准的用户侧负荷预测对智能电网的合理运行和经济调度有着重要联系。本文以智能电网用户侧负荷预测作为研究背景,将设计符合需求的预测模型作为研究目标,提出了数据预处理框架和集成模型这两种增强模型预测性能的思路。首先为了使模型能够获取数据间不易被发掘的信息,本文提出基于经验模态分解的数据预处理框架,并将其与极限学习机结合以验证其有效性;之后,为获取多个性能良好且互不相同的深度信念网络,提出根据基于分解的多目标优化方法无监督式搜寻合适的深度信念网络;最后,将多个深度信念网络集合为集成模型,再结合数据预处理框架,提出基于经验模态分解的多目标深度信念网络。本文所做的具体工作如下:（1）叙述智能电网及其负荷预测的研究现状并阐述论文涉及的相关概念及技术。在查阅大量国内外文献的基础上,概括总结智能电网的发展以及研究现状,对用户侧负荷预测的方法做出简要说明,并给出论文的主要研究工作及文章框架。同时本文也介绍了经验模态分解、样本熵等可以对数据进行处理的方法;基于分解的多目标优化算法和带精英策略的快速非支配多目标优化算法等寻优算法;极限学习机、深度信念网络等预测模型。（2）提出基于经验模态分解的数据预处理框架并设计了用户预测实验平台。针对当前电力负荷数据较为复杂,预测模型难以捕获数据间的隐藏信息,以EMD分解数据,分解后的子数据便于模型预测;之后每个子数据依次作为预测模型的输入进行预测,将每个子数据建立预测模型的输入输出与原数据输入输出结合为新的数据集;最后以新的数据集作为模型输入进行预测。通过实验分析,提出的数据预处理框架可以明显提高预测模型的预测性能。设计了一款仿真平台,用户可选择需要预测的月份和地区,并且预测结果以可视化的形式表现,使预测结果更加直观,便于用户观察电力负荷波动。（3）提出多目标深度信念网络。利用MOEA/D训练DBN参数以获得多个忽悠差异的DBN预测模型。为了进一步筛选符合集成模型需求的子模型,设计两阶段策略对MOEA/D产生的多个模型进行挑选;最后再将子模型组合为集成模型以进行电力负荷预测。实验结果表明提出的方法具有良好的预测准确性与泛化能力。本文不仅对EMD-MODBN的预测性能做出分析,为了选择合适的模型参数和MOEA/D中聚合函数,也做出相应的对比实验;通过研究目标空间中点的分布对目标函数选取、函数值标准化及两阶段策略做出分析。