精确的短期电力负荷预测对电力系统的生产调度和计划安排有着重要的影响。电力负荷预测自改革开放以来一直都是一个热门的研究方向,而如何构建电力负荷预测模型和提高电力负荷预测模型的预测精度更是电力负荷预测领域研究的重中之重。现如今,随着人工智能研究的快速发展,以机器学习（Machine Learning,ML）算法和人工神经网络（Artificial Neural Networks,ANNs）为代表的智能预测模型被广泛应用于电力负荷预测建模问题。利用智能模型强大的非线性建模能力和学习能力来更好地处理电力负荷预测问题。另外,针对电力负荷预测模型的预测精度问题,其中一个研究重点就是采用智能优化算法优化智能预测模型相关参数的方式来提高预测精度。在这方面,虽然单一的电力负荷预测模型或者标准优化算法优化的单一电力负荷预测模型能够实现具有一定预测精度的电力负荷预测,但是其预测结果往往不能达到现代化预测精度的标准和要求。本文的主要设计思路是采用组合预测模型思想构建电力负荷预测模型,利用多种技术优势互补的方式去弥补另一种技术的缺点或者不足。其次,选择合适的高性能智能预测模型构建电力负荷预测模型。最后,在此基础上利用多策略优化的麻雀搜索算法（Sparrow Search Algorithm,SSA）对智能预测模型进行参数优化,从使电力负荷预测模型拥有更好的预测表现和精度。全文共分为以下几个方面进行展开:（1）一种基于FA-CSSA-ELM的新型电力负荷组合预测模型;本文提出了一种基于FA-CSSA-ELM的新型电力负荷组合预测模型:首先,通过Tent混沌映射策略初始化麻雀种群,利用Tent混沌特性让麻雀初始种群均匀分布在解空间中。其次,利用萤火虫算法（Firefly algorithm,FA）在搜索空间中亮度大的萤火虫可以吸引亮度小的萤火虫靠拢的原理来更新最优麻雀和麻雀群的位置,从而提高麻雀搜索算法的搜索能力和算法精度。综合两种策略,构建FA-CSSA算法。最后,将FA-CSSA算法优化极限学习机（Extreme Learning Machine,ELM）的初始权值和阈值来构建最终的电力负荷组合预测模型。（2）一种基于VMD-CISSA-LSSVM的新型电力负荷组合预测模型;本文在FA-CSSA-ELM模型的基础上又进行了进一步研究,提出了一种基于VMD-CISSA-LSSVM的新型电力负荷组合预测模型。该模型结合了变分模态分解（Variational Modal Decomposition,VMD）数据预处理技术,基于改进的Tent混沌策略,随机跟随策略和Levy飞行变异策略优化的CISSA算法以及最小二乘支持向量机（Least Square Support Vector Machine,LSSVM）模型。首先,利用VMD数据预处理技术对原始数据进行降噪处理,尽可能地减少噪声对预测性能的影响。其次,在初始化阶段,利用改进的Tent混沌映射生成初始种群,增强麻雀初始个体的质量和种群多样性;在位置更新阶段,采用随机跟随策略优化麻雀搜索算法中加入者的位置更新公式,平衡算法的局部优化性能和全局搜索能力;在算法迭代后期,采用Levy飞行策略扩大种群的搜索范围,从而提高局部和全局搜索能力。最后,利用CISSA算法优化LSSVM模型的相关参数,构建最终的电力负荷预测模型。（3）一种基于多模型的新型电力负荷组合预测模型;本文提出了一种基于多模型的新型电力负荷组合预测模型。该模型利用一种数据预处理技术,VMD-奇异谱分析降噪法;两种新颖的改进智能优化算法,混沌自适应鲸鱼算法（CAWOA算法）和基于精英反向学习的混沌麻雀搜索算法（EOBL-CSSA算法）;三种独立高效的预测模型,Elman神经网络,ELM神经网络以及LSSVM模型。首先,利用VMD-奇异谱分析降噪方法,通过两次降噪的方式尽可能降低原始数据的噪声影响。其次,SSA算法,CAWOA算法和EOBL-CSSA算法分别优化Elman神经网络,ELM神经网络以及LSSVM算法模型的相关参数,构建预测模型。最后,利用模拟退火法（Simulated Annealing,SA）来计算上述三种独立组合预测模型预测结果的权重比例,并进行加权计算得到最终的预测结果。