短期负荷预测是对电力的短期负荷进行预测,其实践预测范围从几分钟到一周不等。短期负荷预测的主要目标是预测发电厂的发电,用于电力系统的安全评估和及时调度电力。短期负荷预测主要应用于三个方面:1、用于电网公司确定最经济的调度方式,而不有损电网的可靠性要求、操作限制、物理环境和设备限制;2、用于电力系统预测性的评估安全。该系统负荷预测是电力系统离线网络分析的重要数据来源,用于评估系统在何种情况下可能出现危险;3、向调度员提供最新的负荷预测,即考虑了最近的天气因素和随机行为的负荷预测。调度员需要此信息以经济可靠地操作电力系统。由于负荷预测的敏感性,因此至关重要的是预测误差最小化。短期负荷预测有多种方法,如:统计方法和人工智能方法。统计方法又称为回归法,是基于历史时间序列负荷信息预测未来电力负荷的方法。这种方法已经使用了很多年,但是随着电网的发展,已经越来越不能适应电力系统的不断变化,满足现代负荷预测的要求。随着计算技术的提高,人工智能方法在短期电力负荷预测上应用也越来越广,它能够根据经验进行学习。这些智能计算方法包括:人工神经网络法、遗传算法、模糊算法、专家系统和粒子群优化以及这些方法的混合算法等。本文首先应用BP神经网络法研究了温度和湿度对短期负荷预测的影响,以便确定这两者因素和短期负荷预测之间关系的强度。对某配电变电站实际负荷情况进行了模拟仿真,负荷数据分为周末和工作日两种类型,对三种输入变量模型(仅考虑负荷-ANN,负荷加温度-ANN-t,负荷加上温度及湿度-ANN-w)进行了预测并比较了结果。其次,为了减少BP神经网络在短期负荷预测方面的误差,使其预测误差控制在±5%,提出了一种粒子群优化和人工神经网络结合的混合算法,发现采用混合方法不但使误差减小到3.89%,而且可以使迭代次数大大减小。