短期负荷预测是实现电力系统优化运行的基础。准确的负荷预测有助于提高系统的安全性和经济性,能够减少发电成本。因此,寻求合适的负荷预测方法以期最大限度的提高预测精度具有重要的应用价值。电力系统负荷变化具有明显的周期性,是一个受多种因素影响的量,可以将其分为周期性的基本负荷和受多种因素影响的变动负荷两部分。本文根据电力系统负荷的特点,首先分析了影响负荷规律性变化的主要因素,并具体分析了对短期负荷预测有重要影响的日类型和天气因素,对影响预测精度的负荷历史数据进行预处理。本文对于周期性的基本负荷用ANN 进行预测,采用负荷预测中应用最广泛的BP 算法,并叙述了BP 模型在实际负荷预测应用中的方法和步骤,在神经网络中,通过引进动量系数、采用变步长算法优化网络,提高了ANN 的收敛速度;针对短期负荷预测中人工神经网络不能直接输入语言信息变量的缺陷,本文具体阐述了模糊集理论的一般理论和意义,采用模糊集理论对日负荷曲线预测中的天气因素、季节、日类型分别做不同的模糊处理,利用模糊推理规则对基本负荷预测结果进行修正;预测时通过模糊聚类分析,将历史负荷数据分成了12 个类,对每一类建立相应的神经网络预测模型,利用相应的神经网络预测模型预测未来一天24 点的负荷值,通过合理选择模糊推理规则的形式,完成对基本负荷的修正,以提高负荷预测精度。实际算例表明,本文的预测方法方便实用、有较高的精度和较快的速度。