短期电力负荷预测是现代电力系统中的一个重要组成部分,对于保障电力系统稳定、安全、高效运行具有重要的作用。本文以结构简单,学习速度快的极限学习机（Extreme Learning Machine,ELM）为基础预测模型,较为系统地研究了批量以及在线预测算法,并设计了基于MATLAB平台的短期电力负荷预测系统。论文具体内容及成果如下。（1）提出了一种基于改进模拟退火算法（improved Simulated Annealing algorithm,ISA）的极限学习机批量训练算法（ELM-ISA）用于短期电力负荷预测,它使用改进的模拟退火算法对ELM的输入权值矩阵和隐藏层偏置进行优化,避免了随机产生带来的模型预测结果的不稳定性,提高了模型的预测精度,同时还可以根据不同的训练数据自适应地设置初始参数,提高了模型的泛化能力。为进一步提高预测精度,根据分类预测的思想,将K均值聚类加入到预测模型中,提出了一种新型的ELM预测算法（ELM-ISA-K）。实验结果表明,所提算法模型具有较高的预测精度和稳定性。（2）目前对于短期电力负荷预测的研究主要集中在离线预测上,然而,电力负荷预测是具有时效性的,模型参数需要根据时间的推移而不断更新,若采用离线训练的方式,则每次训练都需要大量的历史数据。所以,针对在线预测场景,本文提出了一种基于平方根无迹卡尔曼滤波（square root unscented Kalman Filter,SRUKF）的极限学习机短期电力负荷在线预测算法（ELM-SRUKF）。该算法使用SRUKF在线更新ELM的输出权值,实现了短期电力负荷的在线预测。实验结果表明,相比于在线顺序极限学习机（Online Sequential Extreme Learning Machine,OS-ELM）和基于卡尔曼滤波（Kalman Filter,KF）的极限学习机（ELM-KF）,本文提出的算法的预测精度更高。（3）以本文提出的两种算法为核心,设计了一个基于MATLAB平台的,支持离线和在线两种预测模式的短期电力负荷预测系统。