电力行业作为关系国计民生的基础产业,无论是在推动社会进步还是在促进经济发展方面都起着非常重要的作用,因此保证其安全性是十分重要的。电力系统短期负荷预测是电力系统调度工作中一项非常重要的工作,是电力系统安全、经济、可靠运行的基础。目前广泛应用的电力系统短期负荷预测方法的根据来源于电力系统的历史负荷数据,因此,历史负荷数据的准确性与否会直接影响到短期负荷预测结果的精度。本文在分析传统的数据预处理方法基础上,引入小波降噪的概念,对历史负荷数据进行了基于db3小波的三层小波分析去噪仿真,结果表明其在历史负荷的降噪与平滑性处理上都具有明显优势。在众多负荷影响因素中,气象因素的影响最为显著。本文结合了综合考虑气象因子的理论,通过进行相似度对比分析手段,选取了日平均气温为负荷预测的重点考虑因子。BP神经网络在短期负荷预测用得到了广泛的应用。BP网络具有结构简单,预测精度高等特点,但是其也存在易陷入局部最小点,产生局部振荡,收敛缓慢等缺陷。本文在分析BP网络结构与优缺点的基础上,提出了基于自适应学习率的竞争网络改进方案。同时,考虑到电网的动态特性以及BP网络的静态建模过程,本文运用了具有动态特性的Elman网络用于短期负荷预测的建模,并以提高预测结果精度为目的,对Elman网络做了结构上的改进。本文通过实验仿真对两种网络的改进效果进行了验证,仿真对比结果表明:基于自适应学习率的竞争网络改进方案在两种网络中都起到了良好的抑制网络振荡的效果;小波降噪处理后的历史数据用于预测能够提高网络预测精度的目的;针对Elman网络提出的输出层一隐层反馈结构改进模型能一定程度提升网络的预测精度。仿真实验表明,当待预测日的最高负荷高于输入向量的最高负荷时,网络预测精度会有较大误差,传统的归一化模型及激励函数形式限制了网络最大输出。基于此本文提出了针对历史数据的综合归一化模型,通过仿真实验,本文验证了其可行性与效果。