随着现代工业、经济和社会的快速发展，电力负荷的需求及其不确定性急剧增加，为合理配置能源资源和安全调度电力系统，有必要对短期电力负荷进行准确的预测。当前短期负荷预测方法还存在参数优化不尽合理、精度不髙等问题，因此分析电力负荷特性进而研究短期电力负荷预测的新方法仍然具有十分重要的理论意义和应用价值。　　本文首先分析了电力负荷特性的变化规律，特别是日期类型、温度、天气状况等因素对负荷波动的影响，给出电力负荷短期预测的基本技术要求。其次，对基础径向基神经网络进行了分析，根据电力短期负荷的特性对网络的输入输出进行了选择，并以某地历史数据进行了仿真测试。再次，本文在现有径向基神经网络预测模型基础上，利用经验模态分解法对输入数据进行分解，对分解后的各本征模函数分别选用Kohonen网络聚类算法寻找相似负荷，并将寻找到的相似负荷作为一组新的输入数据加入原始输入数据中，利用粒子群优化算法对径向基扩展系数进行优化，对径向基神经网络进行训练学习，形成网络。累加各本征模函数计算出的预测值后，即为所求的负荷预测值。然后，将本文所采用的改进算法与改进前的径向基祌经网络预测算法以及仅依靠其中一种方法进行预测的算法进行仿真比较，分析的结果表明，本文所采用的改进算法性能明显优于其他，所提预测方法是可行的。最后，以山西某地历史负荷数据作为样本，结合日类型及温度情况，分别在不同季节、日类型情况下进行了负荷预测的应用，结果显示预测精度得到了明显的提高。