短期电力负荷预测是电力系统规划与运行的重要环节,对保障电力系统的安全稳定运行有着非常重大的意义。因为随机向量泛函链接（RVFL）网络具有快速收敛的特征,故本文建立了多种基于RVFL网络的短期电力负荷预测模型。针对RVFL网络的特点,本文从三个方面来提高基于RVFL网络的短期电力负荷预测精度,主要的研究内容及创新点如下:首先,RVFL网络的初始化对预测模型非常重要,不恰当的初始化方式会使模型的收敛速度及性能变差。针对以上问题,本文采用正则化（Regularization）方法优化RVFL网络的输出权值,采用高斯分布以及Sine激活函数使RVFL网络更好的完成参数初始化,建立Re RVFL网络预测模型。通过仿真对比实验,验证了Re RVFL网络预测模型的有效性。其次,针对当模型中训练数据变化时,会导致模型原参数不适用,使得预测精度降低的问题,本文在Re RVFL网络中添加增量学习（IL）方法,使模型的参数能够保持更新,建立IL-Re RVFL网络短期电力负荷预测模型,通过仿真对比实验表明,该模型能够进一步提高短期电力负荷预测的精度。最后,针对电力负荷数据属于一种典型的时间序列,它具有非线性以及非平稳的特点,因此本文首先使用经验模态分解（EMD）建立EMD-IL-Re RVFL短期电力负荷预测模型。由于EMD具有模态混叠的缺点,达不到预期的效果,甚至会使效果变得更差,本文又进一步使用改进型EMD分解算法:集合经验模态分解（EEMD）以及自适应噪声完整经验模态分解（CEEMDAN）,分别建立EEMDIL-Re RVFL预测模型以及CEEMDAN-IL-Re RVFL预测模型,通过仿真对比实验表明,两种基于改进型EMD与IL-Re RVFL网络集成组合的模型具有更高的预测精度。