BP算法一直是前向人工神经网络的主要的学习算法,虽然人们针对它的一些不足对它进行不断地改进,但其自身的收敛速度慢和容易陷入局部最小等的缺点却没有从根本上得到改进。本文将卡尔曼滤波用于神经网络的学习。卡尔曼滤波是一种最优估计方法,它采用状态方程和观测方程组成的线性随机系统的状态空间模型来描述滤波器,并利用状态方程的递推性,按线性无偏最小均方差估计准则,采用递推算法对滤波器的状态变量做最佳估计,从而求得虑掉噪声的有用信号的最佳估计。由BP算法可知,前向人工神经网络的学习过程就是在给定输入和输出样本的条件下对网络权值的调整过程。因此,训练前向神经网络的训练可以看成是非线性状态估计问题。卡尔曼滤波学习算法的基本思想就是将神经网络中各神经元之间的连接权值的学习问题作为卡尔曼滤波中的状态向量进行最优估计问题。因为基于扩展卡尔曼滤波的学习算法近似给出了连接权值的最小方差估计,所以其迭代收敛速度比最速下降算法要快,而且,不包括决定收敛性能的调整参数,这就使得它的应用很简单。在扩展卡尔曼滤波递推公式中,由于在计算过程中会由于计算机的舍入误差而使得协方差阵失去正定性,导致滤波数值不稳定和滤波发散。本文将奇异值分解用于协方差矩阵的计算中,提高了计算的速度、滤波的数值稳定性和神经网络的输出精度。由于人工神经网络有多元非线性映射能力、自学习自适应能力、分布式存贮等优点使得它在电力系统短期负荷预测中得到广泛应用。正是这种输入输出之间强大的多元非线性映射能力,使得短期负荷预测能够考虑众多天气因素(如温度、雨雪、湿度等)的影响,从而更加准确地得到负荷预测值。本文将基于卡尔曼滤波的神经网络学习算法应用于电力系统短期负荷预测,并以武汉市为例进行了实际的预测,结果表明了该算法的有效性和准确性。