电力系统短期负荷预测是电力系统调度运营和负荷管理的一项重要的日常工作，其预测精度的高低直接影响到电力系统运行的安全性、经济性和供电质量，它的特点可以归纳为：要预测的数据个数多、影响预测的物理因素复杂且具有随机性和预测精度要求高等。由于负荷预测的复杂性、不确定性，从而使传统的基于解析模型和数值算法的模型难以获得精确的预测结果。 本文结合电力系统负荷预测中存在的问题，在研究了神经网络(ANN)理论和模糊理论的基本概念和方法的基础上，提出基于神经网络和模糊神经网络的两种负荷预测方法。 在负荷预测的人工神经网络方法中，采用了神经网络中经典的BP算法，提出了适合电力系统短期负荷预测的神经网络模型，该模型充分利用了神经网络高度非线性建模能力。在保证有足够的训练样本的前提下，对预测模型进行合理分类，构造了相应于不同季节和日类型的预测模型，并对输入变量的选择问题，进行了讨论。 本文提出一种用于短期负荷预测的模糊系统。该系统集模糊推理、神经网络结构和学习算法于一体，构成基于神经网络的模糊推理系统，又称模糊神经网络(FNN)。FNN利用神经网络的反向传播算法，对24点每一个点建立一个预测模型，根据输入输出样本来自动设计和调整模糊系统的设计参数，实现模糊系统的自学习和自适应功能，同时还实现了模糊预测模型的自动更新，而且能不断修正各模糊子集的隶属函数，使模糊建模更具合理性。 ANN和FNN两种方法都是从负荷变化的非线性本质出发，结合负荷时间序列随时间变化的特点，提出预报模型。在预测过程中，权值按最近的负荷行为自适应调整，并对一个实际电力系统