随着电力行业的快速发展,电力系统的类型也逐渐变多。不同的电力系统受到的影响因素不同,导致获取到的电力负荷数据多种多样。在不同的电力负荷应用场景下,其数据处理和建模预测方法均不一样,而传统的预测方法已经很难满足在不同的电力负荷应用场景下达到较优预测效果和适用性能的要求。为了提高电力系统负荷预测模型在多种应用场景下的预测精度和适用性能,本文以两个互有差异的数据集作为数据支撑,主要对人工智能领域的XGBoost算法和LSTM神经网络算法进行研究和改进,提出了多种负荷预测方法。主要研究方法如下:首先,针对训练样本较少和特征维度较低的电力负荷应用场景下预测精度不高的问题,提出了基于改进PSO优化XGBoost-Bagging集成学习的短期负荷预测方法。选取低维特征向量的小规模数据集作为基础训练数据,利用皮尔逊积矩相关系数提取主要影响因素,并通过灰色关联分析法筛选相似日。根据相似日样本集,构建基于XGBoost-Bagging集成学习的负荷预测模型。其中基于串行学习机理的XGBoost算法对于非线性数据有较强的处理能力,而Bagging算法的并行集成学习机制能够提高模型泛化能力和稳定性。同时采用改进粒子群算法对模型参数进行优化,提高预测精度。其次,针对样本量较大、特征维度较高的电力负荷应用场景,提出了基于改进PSO优化双向LSTM神经网络模型的短期负荷预测方法。对数据集采取特征集构建的方式,在初始特征基础上增加特征维度,更全面的获取数据集的隐含特征信息。基于特征构建后的数据集,建立双向LSTM神经网络模型进行负荷预测研究。同时,增加神经网络的隐藏层层数,以深度神经网络结构来提高模型对时序性特征的泛化性能。此外为了避免模型过拟合,选择前述改进PSO算法对神经网络参数进行优化,再次验证改进PSO算法的优化性能。最后,为了提高在各种电力负荷应用场景下预测模型的准确度和适用性能,提出了基于模拟退火算法优化的XGBoost-Bagging集成学习和深度双向LSTM神经网络组合模型的短期负荷预测方法。该方法将前述两个模型组合起来,并利用模拟退火算法优化各模型预测结果对应的权重系数,得到最终的组合模型预测值。根据两个数据集分别建模预测、分析。结果表明,所构建的组合模型在两个数据集上的预测误差MAPE值分别为0.91%、0.88%,明显低于各单模型。对组合模型重复实验50次,所得预测结果误差波动范围仅为0.12%,表现出了较高的模型稳定性。综上所述,本文所构建的组合模型在多种电力负荷应用场景下均有较高的预测精度和适用性,在电力系统负荷预测领域有一定的应用价值。