短期负荷预测主要用于电力系统的运行控制、调度、优化等,对其进行准确的预测,可以有效保障电网安全运行,降低发电成本,满足用户需求,提高社会经济效益。同时,随着愈加严峻的能源危机、环境污染问题,电力系统亟需在运行以及调度等方面做出有效的革新。而精确短期电力负荷预测是电力系统优化调度的必要前提。与传统的通过调节发电机组出力进行调度的方式相对应,传统的电力负荷预测方法主要针对区域性的负荷。而智能电网的发展为用户参与电力系统运行与调度提供了技术和理论的支持,但传统的负荷预测方法对于随机性较强的用户侧负荷则实用性较差。电力系统负荷具有一定的周期特性(天,周,月,年),同时受到多方面复杂外部因素的影响(天气、经济、节假日、观测误差等等),以及用户行为不确定性的影响,电力系统负荷在基本的整体周期性规律上,局部呈现出较强的随机性特征,这种随机特征包含了外部因素所导致的部分,也包含了由于用户行为所导致的部分,结合在一起这种不确定性增大了负荷预测的难度。使得仅从单个方面出发难以保证预测的有效性和准确性。因此,本课题从两个方面出发,充分挖掘负荷自身变化规律的同时尽可能考虑外部因素对负荷变化的影响,将两个方面组合优化得到最终的结果。一方面,通过皮尔逊相关系数的计算,筛选负荷预测的相关特征,构建计及气温、天气、节假日、星期等外部因素的多输入LSTM神经网络深度学习模型,提高负荷的预测精度。另一方面,针对电力负荷随机性较强,预测精度不高的问题,本课题通过构建ELM(EEMD-LSTM-MLR)预测方法,提高电力负荷短期预测精度且尽可能还原局部细节。首先通过集合经验模态分解(EEMD)将电力负荷数据分解为频率由高到低的不同本征模态函数(IMF),随后分别使用多元线性回归(MLR)方法和LSTM神经网络方法对低频部分和高频部分进行快速准确的预测,最后将所得各预测结果组合后得到完整的预测结果。ELM预测方法不但能够对电力负荷的变化趋势进行有效预测,而且能够准确预测随机性较强的局部特征。通过方差倒数法和Shapley值法将两种预测结果优化组合,使得整体模型更加全面,具有更好的稳定性,且进一步提升预测的精确性。