负荷预测不仅是确保电力系统安全经济运行的必要手段之一，也是制定电力市场交易计划的基础。随着现代社会电力市场的不断发展，负荷预测在电力系统中的重要性也越发突出。对于负荷预测的方法目前研究的已经相当成熟，预测的结果对于电网运行有一定参考价值。但是，由于节能减排的方针的提出，对负荷预测的精度要求越来越高，因此，为了提高负荷预测的精度，就需要对现有的预测方法进行改进，引入新的理论方法。目前，随着数学理论的发展以及科学技术的进步，越来越多的新理论被带入到负荷预测中去研究，比如模糊数学理论、专家系统理论、灰色理论等等，这些理论带动了负荷预测的发展，使得负荷预测在预测精度上有了质的跨越。　　核极限学习机（KELM）作为一种在极限学习机基础上改进的算法，其引入具有强大非线性映射能力的核函数，将原来单层、无核、线性不可分的极限学习机转变为空间线性可分的，使其相较于基本的极限学习机算法具有更强的回归预测能力。同时，为了防止早熟问题的发生，本文引入一种全新的人工智能算法即纵横交叉算法（CSO）。纵横交叉算法分别从不同的方向进行交叉操作，使得全局搜索无盲点，能够有效避免陷入局部最优解；并且引入竞争算子操作，通过父代与子代的比较，保留适应度值高的一代，从而保证了收敛精度。为了提高核极限学习机的预测精度，本文在深入研究了核函数、纵横交叉算法的基础上，给出了基于纵横交叉算法优化核极限学习机（CSO-KELM）的负荷预测算法模型。其核函数是具有局部特性的高斯径向基核函数，并且针对核函数中参数的不定性，使用纵横交叉算法对核极限学习机参数进行优化。　　最后，在Matlab软件平台上，将CSO_KELM算法模型用到地区电网中进行短期负荷预测，并与其他智能算法对比分析，得出优化后的模型不仅不易陷入局部最优，而且收敛更加稳定，精度也有所提高。之后，在CSO_KELM算法模型的基础上，分别考虑日期类型和气温等因素对负荷进行预测，得到负荷预测精度较不考虑影响因素时有所提高，从而证明了负荷预测精度确实受到日期类型和气温等因素的影响。