电力系统负荷预测已成为实现电力系统管理现代化的重要研究内容之一,尤其是短期负荷预测,在电力系统的生产和运行中发挥着重要作用。未来某一时刻的负荷,通常与过去的负荷水平、当前的运行状况、预测期的气象因素以及日期类型等密切相关。但是,当前电力系统行业的短期负荷预测普遍存在着预测方法单一,没有经过模型比较来确定适合于某地区的最佳预测方法,不能精确反映未来负荷走势。针对上述问题,本文做了如下研究工作:首先,对电力系统短期负荷预测方法进行了回顾,为了验证气象因素对预测水平的影响,以安顺市电力系统为例,根据负荷数据特点及其影响因素,建立两种人工神经网络预测模型。仿真结果表明,考虑天气因素影响后的模型预测精度要高于只考虑历史负荷影响模型的预测精度。其次,针对BP神经网络预测模型中传统BP算法预测精度不高,收敛速度慢的缺点,采用改进的Lenvenberg-Marquardt(L-M)算法,对短期负荷预测模型进行了重建,并通过仿真验证了改进算法后的模型与基于传统算法的BP神经网络模型相比,训练速度显著提高,能迅速收敛并达到预测精度要求。最后,由于神经网络对训练负荷样本要求比较高,如果选择的样本没有反映负荷的变化,则预测精度反而会降低。针对这一现象,综合考虑各阶段负荷变化是否受气象因素的影响,建立小波-BP神经网络组合模型。仿真结果表明:组合模型运用于电力系统短期负荷预测,是对单一模型与单一算法的更进一步的改进和优化,预测精度高,预测效果好。验证了理论的正确性和各种方法的有效性、差异性。