电力负荷预测在现代电力系统经济安全运行中发挥着重要作用,能够为电网的安全稳定运行提供重要保障。精准的短期负荷预测有利于电力企业制定合理的发电、调度、维护等计划,为电力企业带来巨大经济效益。近年来,随着电力系统的不断发展,电力市场改革不断深入,用户负荷类型不断增多,导致电力负荷变得日渐复杂,特征和规律更难把握,为电力负荷预测工作带来了一定的困难及挑战。为此,本文以短期负荷组合预测模型入手,从短期负荷点预测和区间预测两个方面进行深入研究。主要研究内容如下:首先,为提高短期负荷点预测精度,考虑到原始负荷数据是具有随机性的非平稳时间序列,常规浅层神经网络难以对负荷数据特征进行充分提取,初始参数难以确定。因此,以深度信念网络(DBN)为基础,从负荷数据处理环节和模型预测环节入手,结合Pearson相关系数对负荷数据及影响因素进行相关性分析,确定模型输入量,搭建了一种基于自适应噪声的完全集合经验模态分解(CEEMDAN)-样本熵(SE)和深度信念网络的短期负荷组合预测模型,并通过仿真分析证明了该模型的优势。其次,为进一步提高前文所提预测模型的预测精度,将自适应学习率引入到DBN无监督预训练阶段,解决DBN在无监督学习阶段采用固定学习率,存在欠学习及易陷入局部最优的问题;同时,考虑到DBN有监督学习阶段反向微调时采用的梯度下降法同样存在易陷入局部最优的问题,将极限学习机嵌入到DBN有监督训练阶段,代替传统DBN的反向微调过程,提高有监督学习阶段的学习能力,得到改进深度信念网络IDBN。仿真实验证明,引入IDBN提高了组合预测模型的预测精度,IDBN相比于DBN具有一定的优势。最后,为更好地帮助电力企业做出合理决策,从短期负荷区间预测入手,建立了基于极点对称模态分解(ESMD)-分散熵(DE)和改进乌鸦搜索算法(ICSA)优化核极限学习机(KELM)的短期负荷区间预测模型。该模型采用ESMD-DE作为数据处理环节,有效降低了原始非平稳负荷序列对预测结果的影响,同时,构建了基于ICSA-KELM的LUBE模型作为后续区间预测环节,得到较高质量的预测区间并降低区间预测过程中的复杂度,仿真分析证明了上述结论。