电力系统负荷预测的水平已成为衡量电力系统运行管理现代化的标志之一。尤其是准确的短期负荷预测更具有重要的意义。负荷预测的影响因素较多,既由负荷本身的历史因素决定,还要受众多非负荷因素的影响。非负荷因素中又以气象因素权重最大。 负荷坏数据辨识是由负荷曲线聚类和坏数据曲线模式分类两个顺序的过程组成的;本文通过对Kohonen网的聚类和BP网模式分类的效果分析,设计由这两种网络组合而成的神经网络模型,较好地完成了坏数据辨识的任务。 本文讨论了影响负荷的各种因素。建立了充分考虑各种因素的短期负荷预测模型,在输入变量中考虑了临近日负荷特点,以及各种气象因素,对输入负荷值进行归一化处理,对温度、降雨和光照等因素进行了量化处理。针对BP神经网络由于初始权值选取不当容易陷入局部极小点的问题,本文将粒子群算法引入到网络初始权值的确定中。与传统神经网络方法相比,本文提出的粒子群算法和BP神经网络相结合的短期负荷预测模型可以加快网络学习速度和提高学习精度。论文用粒子群算法来训练网络参数,直到误差趋于一稳定值,然后用优化的权值用于BP算法。仿真实验结果表明该方法能加快网络学习速度,并提高负荷预测精度。