短期电力负荷预测在能量管理系统(EMS)中扮演不可或缺的角色,它在电力系统安全、稳定、经济等方面的运行上起到不同程度的保障作用,本文针对短期电力负荷预测进行研究。首先简要介绍了影响电力负荷特性的部分因素、已有的电力负荷预测方法和电力负荷预测的基本原理。接着,对BP神经网络、自组织竞争神经网络和SOFM网络进行分析比较,同时针对BP神经网络泛化能力弱的缺点,引入贝叶斯和提前终止两种方法进行改进。由于电力负荷具有很强的地域性,本文以呼和浩特市2018年电力负荷为研究对象,分析负荷基本特性,利用水平处理法和垂直处理法修补缺失的历史电力负荷数据,量化和归一化负荷及影响电力负荷的相关因素,包括预测日当天的最高最低温度、风力、天气、湿度、日期类型,将文字信息量化为可以处理的数字信息,并将所有数据按比例压缩在零到一之间,以此防止神经元假饱和,消除因量纲和变化范围差异出现的影响。最后,为提高BP神经网络预测的精度,本文提出一种基于聚类神经网络组合BP神经网络的方法预测短期电力负荷。将整理好的数据分别输入自组织竞争型网络和SOFM网络,利用聚类神经网络的无监督式训练的学习方式与相近学习规则相结合的学习模式,自主进行网络学习训练,而不需要期望输出数据。利用自身的特性和规则,调节网络权值,按照相似日特征对负荷进行分类,对比分类结果后选择SOFM网络。将SOFM网络分类的每一类单独建模分别输入BP神经网络预测、贝叶斯BP神经网络以及提前终止BP神经网络预测。以MATLAB为平台进行仿真验证,通过分析仿真数据得到本文结论,BP神经网络能够初步达到预测负荷的目的,但由于网络本身自带的固定缺陷,致使最终网络预测产生的误差相对较大,无法实现精度较高的预测效果,因此,以提升预测精度为目标,在BP神经网络预测模型的基础上改进,先聚类后预测的方法比单纯运用BP神经网络进行预测的精度要高,且SOFM和提前终止BP神经网络相结合的预测方法预测效果最好。