电力负荷预测是电力系统进行规划设计的基础,是电力系统运行的经济性与可靠性的保证。由于电力负荷本身具有一定的不确定性、非线性、随机性等内在特点,负荷预测一直是学术研究的前沿与热点问题。随着电力市场的发展,负荷变化规律的复杂程度增加,而传统的单一预测方法自适应能力较差,问题的复杂性与求解方法的局限性之间的矛盾更加突出,预测不一定能得到满意的结果,因此,组合预测的探讨成为当今负荷预测的研究重点之一。组合预测能综合更多信息,增强单一的预测方法之间的互补,能够更完整的描述负荷的发展规律,达到提高预测精度的目的。组合预测思路主要有两方面：其一,从模型自身的优化与完善的角度,提出将学习算法和单一预测技术相结合的组合预测,用学习算法优化单一预测模型的相关参数以提高预测模型的预测精度。其二,将多种单一预测方法得到结果按一定方式结合起来,综合利用各种预测方法所提供的相关信息,并在综合这些信息的基础之上进行最优组合。本文针对电力负荷自身特点,引入群集智能优化计算方法以及组合预测技术,对电力负荷预测的理论与方法进行研究,取得了一定具有理论意义和实用价值的成果,主要研究工作与成果如下：(1)针对负荷预测中对单一预测模型进行优化的问题,研究群集智能优化计算方法及其改进,提出一种新的自适应粒子群算法(FAPSO),该算法根据粒子适应值的变化动态调整惯性权重ω的数值,平衡粒子的探索和开发两种搜索行为,提高粒子搜索能力的自适应性。同时在算法中加入极值扰动策略,防止算法陷入局部最优。对FAPSO算法进行了收敛性分析与收敛性测试,由仿真结果可知,与经典粒子群算法PSO比较,FAPSO具有更快的收敛速度与更可靠的全局收敛性。(2)提出一种由惯性权重递减型粒子群优化算法(LWPSO)与径向基函数神经网络(RBF)相结合的组合预测模型,应用粒子群算法的全局搜索能力搜索RBF神经网络的最优网络输出权值,从而达到优化RBF神经网络预测模型的目的。并利用虚拟仪器开发平台(LabVIEW)的强大数组处理能力和直观的编程方式实现了基于LWPSO优化的RBF神经网络,将训练好的网络对某实际电网进行了日整点负荷预测。仿真结果表明,该方法具有良好的预测精度和稳定性。(3)针对有限样本信息下的负荷预测问题,提出基于自适应粒子群算法FAPSO与支持向量机SVM相结合的组合预测模型。用FAPSO算法来优化SVM模型的相关参数,通过实例仿真与分析表明,与传统的通过交叉验证试算或遗传算法等确定SVM参数的方法相比,该方法不仅有较快的运算收敛速度,而且在预测精度和稳定性等方面都有一定程度提高。(4)研究粒子群算法PSO与模拟退火算法SA的自学习融合,提出新的优化算法NSAPSO,即在粒子群算法的寻优过程中加入模拟退火思想,结合SA算法的随机接受准则有效弥补经典粒子群算法在求解复杂问题较易陷入局部最优的缺点,使得算法在具有高效搜索的同时,能选择接受非最优解进而有能力跳出局部最优。同时在算法中加入极值扰动,增加粒子的多样性,进一步改善算法性能。由仿真测试结果,NSAPSO在对复杂多峰问题的寻优过程中体现出很好的收敛性能。(5)针对多单一预测模型的组合问题,提出基于自学习融合算法NSAPSO与SVM模型结合的组合方式,对单一模型实现分时段变权重非线性组合,用SVM的非线性回归学习能力描述多个单一预测模型的非线性组合关系,其优点在于不用确定描述输入输出关系的具体函数表达式,避免了传统组合方式中加权系数的复杂的求取问题,同时尽可能地满足了组合方法中的非线性、变权值的需求。仿真结果证明,该组合预测模型降低了传统单一预测模型的预测风险,同时有较高的预测精度和可靠性。