用电负荷预测与分布是输电线路设计及变电站布点的基础。随着电力行业迅猛发展,电力负荷规划成为电力系统稳定性的重要指标之一,用户级电力负荷预测的研究也越来越受重视。但用户层级负荷波动剧烈,随机性大,不易预测,所以基于用户层级的负荷预测十分困难。用户级电负荷值不仅易受天气,温度,降雨量等环境因素的影响,还易受节假日,经济生产等外界不确定因素影响,因此电量负荷精准预测的关键点在于选取合适的负荷影响因素和建立与之相适应的模型。本文设计了一种基于水波优化算法(Water Wave Optimization,WWO)改进径向基神经网络(Radial Basis Function Neural Network,RBFNN)的用电负荷预测模型,旨在解决在基于用户层级情况下的用电负荷预测不精确的问题。通过对RBF神经网络隐含层中心的优化及扩展常数参数的优化,进一步验证基于水波优化算法改进RBF神经网络在基于用户层级的用电负荷预测上,能取得较好的结果。本文的主要工作内容如下:1.改进模糊C均值聚类算法(fuzzy c-means algorithm,FCM)存在的缺陷问题。通过学习模糊聚类的算法模型,实现原理,算法特征等知识,FCM模糊聚类存在两个弱点:一是在处理大数据集时耗时长。二是易陷入局极值。利用水波优化算法的全局搜索能力使FCM跳出局部极值,并加快聚类的准确率与速度。2.改进RBF神经网络隐含层节点中心的确定及扩展常数随机确定的问题。设计并实现了基于WWO-FCM改进的RBF神经网络用电负荷预测模型。并对真实的数据进行处理,对用电负荷的影响因素进行分析。解决了在基于用户层级上对于用电负荷的预测时,RBF神经网络的隐含层参数需要根据实际问题来确定的问题。本文设计的模型在UCI标准数据集上做验证时,本文的预测效果更好,精度更高;该模型用于用户级电量负荷预测上时,预测平均误差更低,预测稳定性更强,同时本文提出的模型网络训练时间更短,收敛速度快。其预测能力能够满足供电企业对电力负荷进行规划和调度的需要,其预测效果可靠、实用,优于传统的预测模型,可以广泛应用于实际电力系统预测。