在经济高速发展的当今,电力是各个行业发展所需中必不可少的一部分,加上电这种商品的即发即用不能贮存的特性。因此,进行短期负荷预测的研究是十分有必要的。此外,对于电力调度部门来说,进行电能的调度依赖于精确的负荷预测。精确的短期负荷预测,影响着电力市场供需关系,也能提高电力系统的运行的可靠性。本文首先对现有的预测方法作了系统性分析研究,简明扼要的总结了现有预测方法的优势与劣势。在现有的预测方法中,Elman神经网络因为具有很强的学习能力,容错能力,联想记忆力,此外还具有较强的适应时变特性的能力,非常适用于短期负荷预测。但是,在学习规则上,Elman神经网络所采用的是动量梯度下降法,这将会使得在整个的学习过程中,收敛速度会较慢导致学习时间过长,且收敛过程不稳定导致不能达到理想输出。针对Elman神经网络所存在的问题,本文提出了一种基于改进型遗传算法优化Elman神经网络的初始权值、阈值。单个种群的遗传算法容易较早收敛,出现早熟现象。针对这一现象,本文提出了多个种群协同进化的遗传算法优化Elman神经网络中的初始权值与阈值。在具体应用中,采用实数编码的方式对网络参数进行编码,并进行交叉、选择、变异操作来进行遗传进化操作,最后通过解码的方式获得最优解,进而确定了网络的最优初始权值、阈值参数。为了验证本文所提出方法的可行性,本文分别采用了三种不同的预测方法,对某个地区的负荷做了预测研究,并且在matlab上进行了仿真实验。通过仿真的数据论证了改进型遗传算法优化Elman模型在预测精度以及效率上是优于传统的Elman神经网络,从而证明了本文所提方法的可行性与科学性。