随着我国能源消费总量的不断跃升以及能源生产消费对环境所产生的巨大压力,国家和各级地方政府已经开始认识到电力能源作为一种清洁能源对国民经济发展的重要支柱性作用。近年来,电力供求与经济增长之间存在的复杂影响关系,使得政府、企业以及大量的科研工作者开始关注电力供给与需求预测的内在关联,也使得电力负荷预测成为管理科学、电力科学以及计算机科学等诸多领域的研究热点。本文通过构建基于智能优化算法的数学模型以及应用原型系统,对我国短期和中长期电力负荷的变化趋势进行预测,分析电力工业的供需形势,可以支持政府或电力企业在发生电力负荷异常时的应急措施制定,也有利于促进国民经济的平稳、快速和健康发展。本文的具体研究内容和创新点如下：(1)针对短期电力负荷所表现出的强动态性和非线性性,提出了一种基于改进的带精英策略的非支配排序遗传算法(Non-dominated Sorting Genetic Algorithm Ⅱ, NSGAⅡ)和交叉验证(Cross Validation, CV)优化的支持向量回归预测模型NSGA Ⅱ-CV-SVR (缩写NCS)。首先运用了支持向量回归模型增强非线性电力负荷数据的拟合及预测能力,并针对支持向量回归模型在参数确定上所面临的难点,采用改进的带精英策略的非支配排序遗传算法来优化SVR模型的参数设置,从而再次提升SVR模型的预测精度,使得该模型在短期电力负荷预测应用中体现出了良好的性能。(2)提出了基于典型负荷模式提取和负荷模式相似匹配的短期负荷曲线预测模型及方法。利用多类型聚类算法,可以实现对具有相似模式的电力用户负荷曲线进行分组,提取各组不同的负荷模式,并通过与负荷曲线分类提取的负荷模式进行相似匹配,可以预测未知用户的短期负荷曲线。首先,给出了负荷曲线分类的模型和常用聚类算法,以及确定分组数目的常用聚类有效性指标。然后,提出了基于负荷模式相似匹配的负荷曲线预测模型及核心步骤,主要包括四个主要模块,即数据采集与预处理模块、负荷聚类参数设置模块、负荷曲线聚类与特征提取模块以及模式匹配与负荷预测模块。最后,利用K-means算法、fuzzy c-means算法和层次聚类等方法在106个实际负荷曲线上进行实验,对所提出模型及方法的有效性进行综合检验。(3)运用基于灰色模型和BP-神经网络的组合预测方法,研究了多变量环境下的中长期电力负荷预测问题。一方面,由于电力负荷是一类非线性、波动性很强的数据,运用神经网络的预测模型能够很好的体现出优异的非线性计算能力,且能够给出较好的拟合预测精度。另一方面,由于电力负荷的影响因素众多,在进行多变量环境下的负荷预测时经常会出现数据缺失,而灰色模型在贫信息、小样本、不确定的环境下有着良好的预测结果。首先,对传统灰色模型中的初值、背景值和参数的求解上进行了综合优化,实现了多变量因素的缺失值估计,并在此基础上,使用动力因子、自适应学习速率和优化的遗传算法来提升BP-神经网络的负荷预测性能。实验结果验证了所提出方法的适用性。(4)运用开源软件Liferay为开发平台,采用Portlet技术对电力负荷预测原型系统进行了实现。首先从系统的数据访问、系统体系结构和系统功能架构划分等方面对电力负荷预测原型系统进行了总体设计,接着对该系统的功能模块和系统数据表进行了详细设计,最后,借助于Liferay开发平台和Portlet技术对系统进行了实现,并从数据准备模块、数据异常告警、数据分析展示和电力负荷预测等四个模块加以说明。