伴随着电网的迅速发展,负荷预测在电力系统运营中的作用日益显著,对某地方的负荷进行精准预测,不仅可以在一定程度上提高电网运行的稳定性,而且在经济方面也有积极作用。随着科学技术的不断创新,负荷预测的方法逐渐多样化,预测精度也在不断的提升,但如今还不存在一种预测方法具有绝对的优越性和适应性,因此,对负荷预测方法的完善和探索已经成为新的电网环境下有待解决的问题。短期负荷预测是电力调度的关键,为发电计划和系统安全分析提供基本数据。本文主要对短期负荷预测进行研究。由于短期负荷数据波动性和随机性较强,通过对现有的短期负荷预测方法进行了归纳和分析之后,选用善于处理小样本、高维度以及非线性等复杂问题的高斯过程回归（Gaussian Process Regression,GPR）作为基础预测算法。高斯过程回归作为一种经典的机器学习算法已应用于负荷预测的领域内,相比于神经网络和支持向量机,它具有可调参数少,泛化能力强,易于实现的优势。然而,该算法同样也存在参数难以确定及训练数据选择不合理的问题,因此本文提出了基于改进高斯过程回归的负荷预测模型研究,主要对以下内容进行了讨论:首先,因为高斯过程回归模型中超参数的准确使用直接影响预测精度,所以针对目前常用的共轭梯度法无法准确获取超参数的不足,本文通过结合蚁狮算法（The Antlion Optimizer,ALO）,提出了一种改进的高斯过程回归模型。首先针对传统蚁狮算法易陷入局部最优的不足,在其基础上引入信息共享机制,通过该机制对较差蚁狮重新赋值,可以使优化算法跳出局部极值从而提升寻优性能。采用信息共享蚁狮算法（Information Sharing Antlion Optimizer,ISALO）来获取最佳超参数,可有效提高了高斯过程回归的预测精度。其次,根据短期负荷序列具有很强的相似性以及高斯过程回归善于处理小样本的预测特点,提出了结合密度峰值聚类（Density Peak Clustering,DPC）和改进高斯过程回归的混合预测算法。在预测工作开始之前,先采用一种新型的密度峰值聚类算法对历史数据进行聚类处理,找到预测日的相似日,从而构建出更合理有效的数据样本集。通过对该样本集的训练和学习后可以在保证预测精度的同时大幅降低预测时间。最后,依据上述对高斯过程回归的两点改进方法,以某地电网负荷为实例,在完全相同的环境下进行仿真测试,并与目前常用的预测方法进行对比。通过仿真获取结果并进行误差计算后,得出基于密度峰值聚类和改进的高斯过程回归的混合模型可以较好的反应负荷的变化趋势,进一步提高短期负荷预测精度,证明了该预测方法的可行性,为短期负荷预测理论提供了新的思路。