电力行业是国家社会经济发展中的一个重要基础性行业。短期负荷预测是电力系统工作中的一项重要内容,对于电网的安全、经济、稳定运行有着重要意义。当今社会经济高速发展,人们在提升生活质量的同时对环境气候造成了很大改变,气候的变化对负荷的影响越来越大。电力系统对负荷预测的精度和合理性方面提出了更高要求。随着人工智能技术的不断发展,智能电网已成为电力系统发展的新方向。将人工智能技术应用在短期负荷预测中,来提高预测的性能,有着十分重要的意义。本文以浙江某沿海地区地级市负荷为分析对象,对电力系统短期负荷预测方法进行了研究和分析。首先对该对象的负荷特性进行了分析,发现负荷具有内在规律和外在因素两方面的特征。内在规律总结出负荷具有周期性;外在因素是指温度、湿度、天气、降水量等气象因素对负荷曲线有着不同程度的影响。因此,本文负荷预测的输入参数综合了周期性相关的负荷数据和气象数据,并对负荷数据和气象数据进行了预处理,去除掉异常的数据并且修补缺失的数据,对输入参数进行归一化处理,为负荷预测做好准备。近年来,人工神经网络在短期负荷预测中广泛应用。BP神经网络是负荷预测的常用方法,作为一种静态网络,通过自学习方法修正权值来达到识别误差要求,但该方法容易陷入局部极小值。Elman神经网络是一种递归神经网络,与BP网络相比多了一个反馈环节即承接层,能够储存记忆隐含层前一时刻的输出,可以提高网络动态信息的处理能力。T-S模糊神经网络将神经网络与模糊控制相结合,既有对定性知识表达的能力,又有良好的学习能力。本文分别采用BP神经网络、Elman神经网络和模糊神经网络建立了电力系统短期负荷预测模型,对分析对象的负荷数据进行了预测,结果表明在预测精度上,BP网络、Elman网络和模糊神经网络三者相比,后者性能要好于前者。针对T-S模糊控制所具有的连续函数映射的能力以及Elman神经网络的动态信息处理的能力,本文提出了一种基于T-S模糊Elman神经网络的电力系统短期负荷预测模型。该模型不仅有对定性知识的表达能力,又有着递归神经网络处理动态信息的能力,可以很好地表达网络输入输出之间的动态映射关系。把该模型应用到分析对象的负荷预测中,发现预测效果要优于前面提到的三种网络,且系统稳定预测精度高,具有很好的应用前景。论文最后,结合C#良好的界面能力和MATLAB的计算能力,搭建了一个短期负荷预测的软件系统,为工作人员提供了操作简便、界面良好的短期负荷预测的软件环境。