在社会经济快速发展的形势下,随着电力企业建设的不断推进,电力行业的规模日趋扩大,而电能又是难以长期大量储存的能源,对短期内电力用户用电多少的预测渐渐成为电力系统在运营过程中的关键部分。准确的负荷预测,可以使发电量随时紧跟电力系统负荷的变化,电能和线路负荷相平衡,进而帮助电力部门制定合理的发配电计划,保证电力系统在安全的状态下有效稳定的发展,减少了能源浪费,提高了经济水平。本文首先概述了负荷预测的研究背景及发展趋势,介绍了不同的预测分类、负荷数据分量特征、影响因子、误差分析等理论;其次,重点研究了人工神经网络(Artificial neural network,ANN)中的BP神经网络(Back-Propagation neural network,BPNN),包括神经元构造、网络结构及其训练过程,确定基于BPNN的负荷预测模型,包括隐含层层数及各层需要节点数的设计以及转移函数的选择。然后,针对BPNN方法存在收敛速度慢、在收敛过程中易陷入局部极值点及健壮性弱等不足,采用了几种主要的群智能算法---遗传算法(Genetic algorithm,GA)、粒子群优化算法(Particle swarm optimization algorithm,PSO)、蝙蝠算法(Bat algorithm,BA)等,来优化BPNN的权值和阈值,在介绍了其基本原理及特点后,经过实验性能对比发现:基于回声定位机制进行捕食的新型群智能算法即蝙蝠算法具有较优的性能。由于基本的BA存在易出现全局搜索能力差、后期收敛速度缓慢等问题,引入自适应惯性权值w调整各个蝙蝠的搜索速度和位置方程,并通过收敛性分析确定相关参数的选取及最终的速度构造,从而提高了原来算法的收敛效能,实现了其在全局和局部寻优过程之间的转换及平衡。采用改进后的蝙蝠算法(IBA)优化BPNN的初始参数和结构,该方法可以避免神经网络在选择初始参数时的盲目性,以达到预测的效率和要求的准确度。最后,为了验证IBA优化BPNN后建立的IBA-BP预测模型的性能,不仅将其与BA-BP及经典BPNN预测模型的迭代次数、预测结果、相对误差进行对比,还将其与其他的群智能算法如:PSO及GA,对BPNN优化后分别建立的PSO-BP及GA-BP预测模型进行性能对比分析。选取EUNITE竞赛提供的历史数据信息作为实验样本进行MATLAB仿真操作,预测未来某一天24时刻的负荷值。实验结果证明了IBA-BPNN预测模型收敛速度更快,准确度更高,能够很好的对短期负荷进行预测,在对准确度要求较高的电网中有着非常广泛的应用。