神经网络技术具有大规模并行处理、分布式存储、自适应性、容错性等显著优点，其特征充分显示了神经网络在解决非线性和严重不确定性系统的巨大潜力，其中BP神经网络体现了人工神经网络精华的部分，已经广泛应用于预测预报、模式识别、自动控制等领域。　　 建立一个具有一定理论基础和适用性的神经网络模型，需要确立充分的信息、优秀的网络算法和合理的网络结构，这样的网络模型必须具有学习速率高和泛化能力强的品质。而神经网络在实际应用中正是存在以上问题，为提高中长期电力负荷预测的准确性和改进BP网络的性能，本文结合BP神经网络在中长期电力负荷预测中的应用做了以下研究：　　 (1)考虑将多种影响负荷预测的相关因素作为输入，采用主分量分析法在确保网络的信息能够被充分利用的条件下对输入进行简化。　　 (2)用遗传算法对网络的初始权值进行优化，得到最优初始权值。　　 (3)在深入研究了BP算法的基础上，经过反复实验，选取了泛化能力强的贝叶斯正则化BP算法对网络进行训练，并分析了贝叶斯正则化方法。　　 (4)用排除法对影响电力负荷预测的相关因素进行优化选择，以指导筛选对负荷预测影响大、效果好的输入变量，从而更进一步提高负荷预测的准确性。　　 最后运用本文提出的改进方法对重庆市中长期电力负荷进行预测，仿真结果表明本文所做的改进工作是可行的，而且全面的输入数据会使贝叶斯正则化BP神经网络的泛化能力更好。