高精度的短期负荷预测是确保电力系统安全、可靠、优质、经济运行的前提,同时对电力系统的机组最优组合、经济调度、最优潮流等都有着非常重要的意义。由于影响电力负荷的随机因素很多,及其自身具有极强的非线性和非平稳性,传统的短期负荷预测方法因自身算法的局限性已很难满足当代电力系统对负荷预测精度的需求,因此,研究现代高精度的短期负荷预测方法意义重大。鉴于此,本文研究了一种将改进的极限学习机（ELM）算法与变分模态分解（VMD）技术相结合的短期电力负荷预测模型。首先,本文搭建了传统的ELM、BP神经网络、长短期记忆（LSTM）神经网络以及支持向量机（SVM）四种短期负荷预测模型,并通过仿真实验进行对比分析,结果验证了ELM算法的有效性;其次,针对传统ELM算法的输入权值和隐含层偏置因随机给定会导致预测精度难以达到要求的不足,采用了一种带有和谐搜索机制的头脑风暴优化（HSBSO）算法对其进行改进,提出了一种基于HSBSO-ELM的短期负荷预测模型,并通过仿真实验将其与其他优化算法改进的ELM预测模型进行对比分析,结果验证了HSBSO算法更具先进性;最后,针对原始电力负荷具有很强的非平稳和非线性的特点,将VMD技术引用于短期负荷预测当中,首先通过VMD技术将原始电力负荷序列分解为多个子序列,再结合HSBSO-ELM预测模型分别对各个子序列进行预测,最后把各个子序列的预测结果进行重构获得预测的最终结果。由仿真实验结果可以证明本文所研究的基于VMD-HSBSO-ELM的短期负荷预测模型的预测精度极高,并且在实践中具有可行性。