电力负荷预测是电力系统调度、用电、计划、规划等管理部门的重要工作之一。准确的负荷预测，有助于合理安排发电机组的起停，保持电网运行的安全稳定性，减少不必要的旋转储备容量，合理安排机组检修计划，有效地降低发电成本，提高经济效益和社会效益。因此，负荷预测己成为实现电力系统管理现代化的重要内容之一。 随着我国电力事业的发展，负荷预测尤其是短期负荷预测越来越受到重视。然而，由于众多影响因素造成的复杂性和随机性使得短期负荷预测没能得到较好的解决。目前，国内外电力系统短期负荷预测的方法很多，比如时间序列法、回归法、专家系统法、人工神经网络法，他们各有优缺点。但没有一种方法能保证任何情况都可以获得满意的预测结果，故提高预测精度一直是人们致力研究的方向。 本文首先论述了短期负荷预测的意义和基本原理，在探讨电力短期负荷的普遍规律性的基础上，介绍了现有的几种负荷预测方法，并指明了他们的优缺点。然后分别对经典预测法中的随机时间序列法，以及现代最具潜力的人工神经网络方法进行了深入的研究。论文主要总结了Box-Jenkins的ARIMA线性模型预测的基本思想及详细过程，研究了BP人工神经网络用于短期负荷预测时面临的关键问题及技术难点，诸如训练速度慢、容易陷入局部最小点等缺点。为了解决这些问题，本文提出了改进的BP算法，在确定网络训练样本的选择和优化方法同时提出了网络参数的自适应更新策略。根据历史负荷数据，基于上述思路构造两种方案来预测江西省的春季日负荷。 提高人工神经网络预测精度的关键在于正确选择输入特征变量。本文依据负荷构成的随机时间序列自相关系数来提取ANN的特征输入，形成更客观的建模方法。通过与ARIMA线性模型预测结果及改进的ANN模型预测结果的对比，证实所提方案的良好性能。