电力系统短期负荷预测作为电力调度运行、市场交易的基础,其预测的准确性关乎着电力系统的安全、可靠、经济运行,因此如何提高短期负荷预测的精度是一个国内外学者的关注热点问题。近年来,随着空调、取暖等气象敏感负荷在电力总负荷中所占的比例越来越大,合理计及气象因素对电力负荷的影响并构建高精度负荷预测模型是提高短期负荷预测的关键。本文对电力系统负荷特性进行了分析,按照用电性质对负荷进行了分类并选取了日负荷特性、周负荷特性、月负荷特性等指标来分析负荷特性,将负荷分解成典型分量、气象敏感分量、特别事件分量、随机负荷分量四部分,分析表明气象敏感分量受到温度和湿度影响较大。BP神经网络对非线性、多因素、非连续的复杂问题有着良好的鲁棒性,适用于短期负荷预测建模。详细分析了BP神经网络的基本原理,针对其不足考虑采用动量-自适应学习速率调整算法来快速找到全局最优解,以日负荷24点数据来作为输入向量,设计BP神经网络。对工作日、休息日的预测结果表明BP神经网络在短期负荷预测中取得了满意的预测效果。考虑气象预报温度往往存在误差,提出一种基于灰色系统理论的气象预报温度修正算法。同时考虑温度累积效应会对负荷趋势产生影响,按照之前时段及之前数日温度累积产生的影响对当前预测时段温度进行修正。结合温度、湿度的修正,建立了考虑实时气象因素的多元线性回归预测模型,实际算例表明了该模型能有效提高预测精度。