随着电力企业的发展,我国的电力系统也在不断的优化和完善。短期电力负荷预测是实现电力能量智能化管理的必要条件,同时可以为电力系统的稳定运行提供保障。有效提升预测精度可以保证电力系统稳定运行,还能为电力企业制定用电计划和实现电力调度提供参考依据。本课题旨在基于机器学习和深度学习的智能化方式,为短期电力负荷预测提供有效的预测方法。在本研究中,提出改进的灰狼优化算法（Improved Grey Wolf Optimization,IGWO）优化极限学习机（Extreme Learning Machine,ELM）,以及卷积注意力模块（Convolutional Block Attention Module,CBAM）改进的卷积神经网络（Convolutional Neural Networks,CNN）对短期电力负荷进行预测研究,主要内容如下:（1）针对机器学习方法。首先,分析短期电力负荷数据具有非周期性,非平稳信号的特点,基于经验模态分解（Empirical Mode Decomposition,EMD）将原始电力负荷数据分解为平稳信号。然后,基于BP人工神经网络（Back Propagation Neural Network,BP）、支持向量机（Support Vector Machine,SVM）、随机森林（Random Forest,RF）和ELM的多预测方法进行性能对比。结果表明,ELM显示了较好的预测性能,其相关系数R~2为0.9156,均方根误差RMSE为182.1885,运行时间为3.54 s,验证了ELM在短期电力负荷预测中的有效性。最后,针对现阶段ELM在预测过程中存在的问题,提出IGWO对影响ELM预测性能的参数进行启发式寻优,在经过IGWO优化后的ELM,其相关系数R~2为0.9512,均方根误差为153.2556,运行时间为5.32s,EMD-IGWO-ELM的预测方法有效性得以证实。（2）针对深度学习算法。首先,为对比机器学习的智能化预测方法,本课题引入了CNN的深度学习预测方法。然后,应用CBAM的注意力机制对影响预测精度的重点卷积特征进行关注,提升CNN的预测性能。结果表明,基于EMD-CBAM-CNN的预测方法取得了最好的预测效果,其相关系数R~2为0.9893,RMSE为102.5235,运行时间为14.24s,优于长短时记忆神经网络（Long Short Term Memory,LSTM）,优于EMD-IGWO-ELM的预测方法。尽管深度学习方法的运行时间比机器学习方法长,但性能有大幅度提升,由于本文的运行平台硬件条件有限,在实际应用过程中,此时间成本可控。综上,本文提出了改进型的极限学习机和带注意力机制的卷积神经网络,实现了短期电力负荷数据的有效预测,为短期电力负荷预测提供了有效的理论技术。