电力系统短期负荷预测是电力系统调度运营和用电服务部门的重要日常工作之一。它关系到电力系统的调度运行和生产计划,其预测精度的高低直接影响到电力系统运行的安全性、经济性和供电质量。它的特点主要有:要预测的数据个数多、影响预测的因素复杂且具有随机性和预测精度要求高等。随着电力市场的建立和发展,短期负荷预测已成为电力系统管理的现代化的重要内容之一。负荷预测的核心问题是如何选取合适的预测方法,即如何建立适用于所研究地区的负荷预测的数学模型。随着现代科学技术的不断发展,负荷预测的研究也在不断深化,各种各样的预测方法不断涌现,从经典的统计分析方法到现代的智能算法,使得负荷预测的精度得到了很大的提高。然而由于短期负荷预测问题的复杂性,因而都不可避免的表现出一定的局限性。粒子群优化(PSO)算法是一种基于群智能方法的演化计算(evolutionary computation)技术,其思想来源于人工生命和演化计算理论。本文将这种新兴的智能技术与人工神经网络算法相结合,形成粒子群-神经网络(PSO-BP)混合算法,建立计及各种影响因素的短期负荷预测模型。运用所建立的PSO-BP混合算法和改进神经网络算法的负荷预测模型进行短期负荷预测,并比较所得结果可知,PSO-BP混合算法明显优于改进神经网络算法。同时,考虑到不确定因素对短期负荷的影响及粗糙集(Rough Set)理论在处理不确定性问题中表现出来的优越性,本文还建立了Rough Set理论负荷预测模型对日负荷进行预测,预测结果完全满足了实际工程要求。本文最后还建立了前两种算法的组合预测模型,避免了单一模型的片面性,有效地降低了预测的风险。