电力负荷预测是电力系统规划、建设和调度的重要基础,提升电力负荷预测的精度有助于提高电力系统的运行效率,降低运营成本。随着电力需求的不断发展,电力负荷与经济政策、人类活动和气象条件等影响因素之间的不确定性关系愈加复杂,传统的统计学方法已难以满足电力负荷预测的精度要求。为此,本文运用多种机器学习算法的强数据挖掘和拟合能力,对电力负荷中长期和短期预测分别进行了研究,论文的主要工作如下:（1）概述了电力负荷预测与机器学习的基本理论。首先,说明了电力负荷预测的原理、特点、分类以及预测步骤;然后,确定了本文所用的数据预处理方法和预测模型评价指标;最后,对机器学习的基本理论、发展历史和分类进行了介绍。（2）建立了经济新常态下基于GWO-SVM的中长期电力负荷组合预测模型。该部分首先分析了在经济新常态下,中长期电力负荷预测面临的负荷发展趋势改变、可用样本数量少和不确定性增加的难题;其次,针对上述难题,分别选择改进灰色Verhulst模型、偏最小二乘回归模型和广义回归神经网络作为单项预测模型;然后,通过支持向量机（Support Vector Machine,SVM）回归的方式实现组合预测,以求综合全面的利用数据信息。并采用具有强全局搜索能力的灰狼优化算法（Grey Wolf Optimization,GWO）对SVM的参数进行优选,从而避免了参数选取的盲目性和主观性,增强了SVM的泛化推广能力。最后,通过对天津市全社会用电量进行预测,验证了组合预测模型的精度和可靠性,可为经济新常态下中长期电力负荷预测提供借鉴。（3）针对短期电力负荷影响因素众多且具有强随机性的问题,提出了一种基于MIC-FA和改进LSTM神经网络的短期电力负荷预测模型。首先,分析了短期电力负荷的周期性和气象因素的影响;其次,采用最大信息系数法（Maximal Information Coefficient,MIC）对输入特征进行筛选,避免了人工经验和传统方法选取的不足;然后,通过因子分析法（Factor Analysis,FA）对输入特征进行降维,在保证精度的前提下,简化了输入特征的维数;最后,采用长短期记忆（Long Short-Term Memory,LSTM）神经网络对筛选与降维后的输入特征进行回归分析,并采用自适应矩估计算法优化LSTM神经网络的训练,从而实现短期电力负荷高精度预测。实际算例表明,同其它传统方法相比,所提短期电力负荷预测模型具有更好的预测精度与抗干扰能力。