电力系统负荷预测是电力部门实施发电计划,负荷管理,系统安全性能评估的重要依据。随着世界范围内电力市场化进程的不断深入,一点小的预测误差往往就意味着较大的经济损失,因此负荷预测的有效和精准性也越发显示出其空前的经济效益。此外,负荷预测也是预测与制定电价的重要基础,其预测的精度直接影响到电力系统运行的安全性、经济型。　　 本文首先概述了电力系统短期负荷预测的原理和研究现状,对预测的一些常用方法进行了综述。然后对公开的负荷数据进行了特征分析,详细的阐述了实际电力负荷表现出来的周期性与规律性,为后文的负荷类型分析以及数据的处理打下理论基础。应用小波变换的时频暂态分析特性,通过经典的Mallat算法,将原始负荷序列进行三层小波分解。分解后的负荷子序列包含了不同的周期与频率信息,然后根据各个分量的特点构造自适应的神经网络模型分别进行负荷预测。在神经网络的训练过程中,一种改进的粒子群算法(AMPSO)被引用来训练神经网络网络的权值。该算法的特点是引入了变异与进化的环节,使得AMPSO算法相比较于传统的BP算法,具有沿着最优途径加速达到全局最优解的功能,从而使得神经网络通过训练后能够达到最小的输出误差。之外,负荷数据的历史相关性分析也被引入到神经网络的输入向量设计环节中,保证了神经网络的输入向量一定是与预测时刻最相关的数据。最后,各个神经网络模型的输出值经过小波重构得到最终的预测负荷数据。　　 结合实际的历史负荷数据和气象信息,本文在不同的时间段上使用本文介绍的方法对负荷进行了预测,且用一些保留的数据作为测试其预测性能。预测结果显示,本文提出的预测模型相比于传统的BP神经网络,极大的提高了预测准确度。除此以外,通过与基于传统PSO-神经网络的预测模型进行比较,还证明了AMPSO算法在训练神经网络中具有更好的收敛性和精确度。该方法对其他的一系列预测问题,如股价预测,原油价格预测,房价预测等,也具有较高的参考价值和指导意义。