电力系统短期负荷预测是电力系统日常运行中的一项重要工作。精确的负荷预测,对电力系统的生产安排、经济调度和安全分析都起着十分重要的作用,也直接影响着电力企业的经济效益。由于电力系统内负荷的复杂性及其进一步复杂化的趋势,各种传统的负荷预测技术越来越难满足电力部门对预测精度等方面的要求,实际工作要求开发出具有较高预测精度和智能水平的新型预测技术。传统的负荷预测方法往往存在着预测精度不高、鲁棒性差,不能表述复杂的非线性关系等缺点；随着人工神经网络(ANN)方法在负荷预测中的引入,有效克服了传统方法在处理非线性问题方面的不足,给负荷预测注入了新的活力。在众多神经网络模型中,RBF神经网络因其具有良好的全局逼近性能,训练方法简单易行且没有陷入局部最优值的缺陷,故而被本文所采用。正确认识和分析各种相关因素对负荷的影响并定量体现其内在规律一直是短期负荷预测的关键问题,尤其预测中会出现由于某种不确定性负荷因素数值发生改变,使得负荷预测模型无法把握负荷变化趋势的情况,进而降低预测精度。对影响负荷因素的研究主要包括：影响负荷因素的筛选、确定性负荷影响因素的分析、不确定性负荷影响因素的分析及少数据负荷的处理等。本文在充分利用气象及负荷历史数据的基础上,对影响负荷的关键因素进行了深入分析,结合RBF神经网络的结构特性,科学合理设置相关输入参数节点,力求最大限度地准确体现出影响因素与负荷之间的映射关系,实现神经网络结构配置的最优化。本文在选择RBF神经网络的训练算法时,采用了粒子群优化算法PSO；根据分析确定的电力负荷的主要影响因素；考虑日期类型、温度、天气状况等影响负荷预测的因素,建立了基于粒子群算法PSO和径向基函数RBF神经网络的短期负荷预测模型,用粒子群算法对RBF神经网络的训练进行优化,提高了模型的可信度和可靠性。通过广东河源电网实际负荷预测试验表明,采用PSO优化RBF神经网络预测方法的预测精度是令人满意的,从而验证了本方法的有效性和实用性。