电力系统短期负荷预测是电力系统运行调度中一项非常重要的内容,是电力市场的重要组成部分,是电力系统安全、经济、可靠运行的前提和基础。负荷预测精度会直接影响到电力系统的经济效应,因此,如何提高负荷预测水平一直是国内外研究的热点。研究表明,在众多影响因素中,气象因素对电力负荷的影响最为显著。因此,研究气象因素对负荷的影响规律,建立合适的预测模型是提高预测精度的关键。本文首先对杭州地区的负荷特性进行分析,研究了负荷的周期性变化规律,并初步探讨了实时温度、湿度因素对电力负荷影响。接着本文通过对人工神经网络的研究分析,分别以各气象因素、人体舒适度指数和温湿指数为输入,建立了三个BP神经网络模型,并且采用三种优化改进算法进行负荷预测。通过比较,最终选择了以温湿指数作为输入,采用有动量和自适应学习速率的梯度下降法建立预测模型。通过预测实例,证明了该方法的高精度性和快速性。在以上研究的基础上,通过对夏季高温期气象敏感负荷与实时温度、湿度的相关性分析,本文提出将温度累积效应对负荷的影响,分为日内温度累积效应和多日温度累积效应两部分进行处理的新思路。并结合对神经网络拟合的气象敏感负荷与温度、湿度的关系曲线的研究分析,建立了基于温度累积效应修正和湿度修正的多元回归预测模型。最后通过对杭州地区2007年8月份的负荷进行预测,证明了该方法能够有效提高预测精度。