針對(duì)BP神經(jīng)網(wǎng)絡(luò)方法制約短期電力負(fù)荷預(yù)測(cè)精度的問(wèn)題，提出一種基于迭代誤差補(bǔ)償?shù)暮藰O端學(xué)習(xí)機(jī)（ KELM-IEC）預(yù)測(cè)模型。首先，建立短期電力負(fù)荷預(yù)測(cè)模型的輸入指標(biāo)體系，選擇月份、日期、星期、周數(shù)、是否為節(jié)假日、日平均氣溫、前一日的最大負(fù)荷量等影響電力負(fù)荷的7個(gè)因素作為預(yù)測(cè)模型的輸入；其次，基于新型神經(jīng)網(wǎng)絡(luò)模型——核極端學(xué)習(xí)機(jī)（ KELM），建立負(fù)荷預(yù)測(cè)模型，引入支持向量機(jī)（SVM）的核函數(shù)映射作為極端學(xué)習(xí)機(jī)（ELM）的隱含層節(jié)點(diǎn)映射，有效結(jié)合ELM結(jié)構(gòu)簡(jiǎn)單、訓(xùn)練簡(jiǎn)便與SVM泛化能力強(qiáng)的優(yōu)勢(shì)，提高負(fù)荷預(yù)測(cè)精度；最后，基于時(shí)間序列預(yù)測(cè)中迭代誤差補(bǔ)償（IEC）技術(shù)，建立IEC模型，再次利用KELM對(duì)負(fù)荷預(yù)測(cè)模型的預(yù)測(cè)誤差進(jìn)行學(xué)習(xí)，從而對(duì)預(yù)測(cè)結(jié)果進(jìn)行補(bǔ)償和修正，進(jìn)一步減小模型預(yù)測(cè)誤差，提高預(yù)測(cè)性能。采用兩組實(shí)際電力負(fù)荷數(shù)據(jù)進(jìn)行仿真實(shí)驗(yàn)，其中，KELM-IEC模型與BP神經(jīng)網(wǎng)絡(luò)模型相比，平均絕對(duì)百分誤差（MAPE）分別降低了74. 3g%和34. 73%．最大絕對(duì)誤差（ME）分別降低了58. 34%和39. 58%；同時(shí)與KELM模型相比，平均絕對(duì)百分誤差分別降低了18。60%和4.29%，最大絕對(duì)誤差分別降低了0. 08%和11. 21%，說(shuō)明誤差補(bǔ)償策略的必要性。實(shí)驗(yàn)結(jié)果表明，KELM-IEC預(yù)測(cè)模型能夠有效地提高短期電力負(fù)荷預(yù)測(cè)的精度，有利于改善電力系統(tǒng)的計(jì)劃、運(yùn)營(yíng)和管理，保障生產(chǎn)和生活用電，提高經(jīng)濟(jì)效益和社會(huì)效益。