电力行业与国家安全、社会经济的发展息息相关,是保障各行各业安全稳定运行的基础。电力系统的短期负荷预测是现代电力管理系统的核心工作之一,对于维持电力系统安全稳定运行、优化电力调度和提高社会经济效益具有重要意义,因此提高电力负荷预测的准确性是目前人们研究的重点。随着现代科学技术的不断发展,各种各样的负荷预测技术相继涌现,BP(Back Propagation)神经网络预测技术凭借着其强大的非线性映射能力和自学习能力得到了广泛地应用。本文的主要工作是基于传统的BP神经网络提出了一些改进算法,以提高负荷预测的精度。通过大量阅读相关的文献资料,本文首先研究了电力负荷预测技术在国内外的发展现状,并对不同的负荷预测方法进行了比较分析;其次介绍了电力负荷的基本概念、特点和分类,并重点阐述了电力负荷预测的影响因素和基本步骤,预测误差产生的原因以及误差的计算方法;然后开始详细介绍了BP神经网络的概念、结构、基本原理和相关的优化算法,并分析了BP神经网络的优势和局限性。以上为后面BP神经网络模型的建立奠定了基础。本文基于传统BP神经网络,分别采用梯度下降法和L-M算法作为优化算法优化网络权值和阈值,建立了两种不同的BP神经网络负荷预测模型。将美国纽约独立系统运营商NYISO的电力负荷和相关气候数据作为样本分别代入两个模型进行训练和预测,并将负荷预测结果进行对比分析,发现L-M算法比梯度下降法的预测效果更好。通过对传统BP神经网络负荷预测结果的整理和分析,我们发现这两种模型的预测误差具有一定的方向性,即相对误差的负偏量要比正偏量多。因此,本文在BP神经网络训练的过程中考虑了预测偏差作为修正量,形成了新的目标函数,并提出了改进梯度下降法和改进L-M算法进行优化,从而建立了带有偏差回馈的神经网络负荷预测模型。同样将NYISO的负荷数据和当地气候数据代入这两种改进的BP神经网络模型中,发现改进模型的预测精度要更高一些,证实了该方法的可行性。