短期电力负荷预测作为电力运行系统中重要的一部分,一直备受研究学者的关注。电力负荷序列具有随机性和非平稳性,所以无法达到误差为零的情况,因此提高负荷预测精度一直是各研究学者努力的目标。本课题主要提出了以下两种预测方法:(1)结合组合预测的思想,提出了基于鸟群算法的组合预测模型。首先采用了三种方法建立预测模型,分别为随机森林、极限学习机和Elman神经网络,再采用鸟群算法优化三个模型的权重,通过比较组合模型与单个模型的实验预测结果,可以表明提出的组合预测模型效果更好。(2)为了降低负荷序列的复杂性,提出了一个基于变分模态分解的优化极限预测模型。首先对原始负荷数据采用变分模态分解方法进行处理,得到相对复杂性低的负荷子序列,再分别对子序列建立模型进行预测,而采用的预测模型为天牛群算法优化的极限学习模型。天牛群算法结合了天牛须算法和粒子群算法,算法性能更优。最后的预测结果由多个预测结果组合得到,通过实验对比,提出的预测模型预测结果更准确。