电力负荷预测是电力系统安全稳定,高效运行的重要保证,关系到社会各行各业的正常运作。在国家大力倡导节能环保以节约现有能源消耗量的情势下,电力负荷预测的准确性关系到整个电厂的经济、高效运行以及整个发电电网的安全运行,即当前的形势对于电力负荷预测的精度提出了更高标准的要求。本文结合极限学习机以及人工智能算法建立了新的电力负荷预测模型,旨在提高电力负荷预测的精度。本文的主要研究内容如下:(1)极限学习机是一种单隐层前馈神经网络学习算法,是一种较为准确的非线性拟合方法,且具有较好的学习能力以及泛化能力,所以本文将极限学习机用于电力负荷预测。然而极限学习机与神经网络相同,是基于经验最小化原理,因此极易导致过度拟合,且极限学习机的输入权值矩阵以及隐含层偏置为模型随机赋值,使得整个模型对于样本数据的学习缺乏针对性,从而影响其泛化能力。为了改善极限学习机的学习能力以及泛化能力,提高电力负荷预测精度,文中首先将人工萤火虫群优化引入极限学习机,利用人工萤火虫算法强大的全局寻优能力找到使得极限学习机模型训练误差最小时的输入权值矩阵以及隐含层偏置矩阵,然后对我国某地区某一段时间的电力负荷通过实验仿真,验证了该模型的有效性和优越性。(2)人工萤火虫算法结合极限学习机的负荷预测模型较之简单的极限学习机模型取得了不错的效果,然而预测精度仍然不是很高,这是由于萤火虫算法自身的缺陷所造成。针对萤火虫算法的缺陷,将人工鱼群算法引入极限学习机中,组成人工鱼群算法优化极限学习机负荷预测模型,通过对同一地区同一时间段的电力负荷进行实验仿真,不仅验证了人工鱼群算法能够提高极限学习机的学习能力和泛化能力,同时验证了人工鱼群算法-极限学习机模型对于电力负荷的预测效果优于人工萤火虫算法-极限学习机模型。