短期负荷预测是实现电力系统优化运行的基础,对于电力系统的安全性、可靠性和经济性都有着显著影响。目前,智能电网技术成为国家电网发展的一个新方向,这对负荷预测的要求越来越高,因此,应用智能算法进行电力系统的短期负荷预测,提高负荷预测的精度和稳定性,具有十分重要的意义。根据电力负荷特性的变化规律,考虑了日期类型、温度、天气情况等影响负荷预测的因素,本文提出了一种将径向基函数(Radial Basis Function,RBF)神经网络与模糊理论相结合的短期负荷预测的方法。首先,本文采用数据横向和纵向平滑处理法对负荷异点进行了处理,用相似日选取方法对缺失的数据来进行补遗,避免了因错误数据或者缺失数据对负荷预测精度造成的影响。其次,通过对实际地区电力负荷的特性分析,确定短期负荷曲线变化的主要影响因素,找出负荷变化的规律性,根据分析结果,选择对短期负荷预测影响最大的因素作为输入样本的特性指标,本文选取的是日期类型、最高温度、最低温度和天气情况。最后,将模糊控制理论引入到RBF神经网络,在RBF神经网络预测模型的基础上,将预测点的相对误差和相对误差率作为模糊控制器的输入,负荷的修正因子作为输出,然后将RBF网络的预测值与模糊调整量的代数和作为最终的预测值,并根据实际地区的历史负荷数据进行了验证分析,将RBF神经网络与模糊控制相结合的方法与RBF神经网络方法进行了比较。实际算例表明,RBF神经网络与模糊控制理论相结合的预测方法加快了网络学习速度,提高了负荷预测精度,具有较好的应用前景。