电力行业是我国重要的支柱产业,与人民群众生活息息相关。随着电力市场的发展,其结构与运营方式也随之发生了巨大的变化。因此,如何确保电力系统安全、高效的工作成为了一个重要的问题。而较为准确的预测电力负荷可以为电力系统提供有力的数据支持,可以帮助指导发电机组等的合理操作,减少能源消耗和经济支出,同时还可以提高发电效率。而如今,随着电力市场需求的大幅度增加,电力负荷预测的作用也日渐显得更加重要,尤其是更加精准的预测成为了一个巨大的挑战,因此,电力负荷预测具有极其重要的价值和意义。神经网络具有强大的逼近效果和非线性处理能力,对于多维信号输入同样具有很好的处理能力,同时其兼有多输出的特点,其自组织性与自适应性可以很好的处理非线性复杂系统。主成分分析是数据处理中常用到的一种方式,主要是将高维相关变量转化为低维独立变量,且在降维的同时保持了原数据所有信息。影响电力负荷预测准确性的因子很多,神经网络进行预测时,影响因子越全面,预测越准确,但是高维度的输入会降低神经网络训练学习的效力,因此本文采用主成分分析与神经网络结合的方式对电力负荷进行预测分析。RBF神经网络在短期电力负荷预测中存在一定缺点,为了提高电力负荷预测的效率,通过将主成分分析(PCA)与RBF神经网络相结合,利用PCA提取有效信息的同时可以降低网络输入维数、消除信息冗余与共线性信息的作用,构造PCA-RBF神经网络模型进行短期电力负荷预测。通过仿真结果分析,PCA-RBF神经网络在提高效率的同时,仍然保持了较高的预测精度,证明了方法的有效性。