国民经济发展的同时也带动了用电量的持续增加。电力工业的可靠运行是社会稳固发展的基础。电力系统负荷预测部分是电力系统规划的重要环节,是电力稳定运行的重要基础。准确的负荷预测能够节约能源,提升电力系统的经济效益和竞争力。短期负荷预测即预测日内至未来一周的负荷,影响因素有负荷数据、天气和节假日等,且由于电力负荷具有随机性、非平稳性、非线性等特点,因此,提高短期负荷预测的预测精度变得困难。因此,选择合适的预测方法并建立有效的模型对提高短期负荷预测精度具有重大意义。目前人工智能算法得到广泛应用,本文将极限学习机引入电力负荷预测中,极限学习机具有训练速度快,泛化性能强的优点。由于模型自变量选择的过多或过少会产生不稳定或过拟合的效果,在电力负荷预测模型的建立过程中同样如此,历史负荷序列的选取尤为重要,因此,利用皮尔逊相关系数的方法来选取历史负荷序列作为部分自变量,建立基于皮尔逊相关系数和核极限学习机的短期电力负荷预测模型;基于第三章提出的皮尔逊相关分析选择历史负荷作为其中部分自变量的前提下,由于极限学习机回归过程中存在过拟合,以及样本离群点对预测产生不利影响的特点,提出基于遗传算法优化加权正则极限学习机的短期电力负荷预测模型。本文首先阐述了电力负荷基本特性,并讨论了气温、相对湿度和日降雨量对电力负荷的影响,随后介绍了电力短期负荷预测的流程。其次,详细介绍了基于皮尔逊相关系数和核极限学习机的预测模型。针对输入变量的维数过多或过少都会引起预测网络模型的不稳定或过拟合的问题,选择Pearson相关分析的方法,筛选出与待预测负荷变量关联度强的历史负荷序列,然后再输入遗传算法改进的核极限学习机网络模型中。利用某地区实际收集的历史负荷进行模型检验,验证该了方法的有效性。然后,详细介绍了基于遗传算法优化加权正则极限学习机的短期电力负荷预测。基于皮尔逊相关分析选择出相关性强的历史负荷序列的基础上,针对极限学习机训练过程中,离群点对模型的不利影响和易出现过拟合的问题,引入加权因子W和正则系数C,建立了加权正则极限学习机(WRELM),并且利用遗传算法(GA)对输入层权值和隐含层阈值这两个参数进行优化。将实际负荷数据输入到训练模型,成功的验证了该方法的有效性。最后,对论文进行总结与展望。