配电网短期负荷预测的精确性直接影响到电力系统配网的规划、调度运行、生产计划和优质供电。在用电管理逐步市场化的今天，短期负荷预测也成为一个供电企业能否走向现代化的重要标志之一。所以，寻求一种能实现最优精度的负荷预测方法具有重要的研究意义和实用价值。　　 本文针对负荷数据可能由于SCADA设备故障或者其他因素影响带来的异常值情况，采用数理统计学的方法进行异常辨识，并且采用三点平滑修正法对异常数据进行修正。通过实例验证，该方法具有编程简单、快速和工作量小的优点，通过该算法处理后的数据参与样本训练，大大提高了负荷的预测精度。　　 人工神经网络作为一种智能方法，近些年来，已经被广泛应用于电力系统短期负荷预测，并且取得了良好的效果。但是，在大量的应用中，主要采用的是BP神经网络，这是一种静态的神经网络，用于预测动态的负荷过程，容易陷入局部最小点，预测精度很难有实质性的提高。本文提出采用具有动态递归性的ELman神经网络模型，模型算法采用BP算法，并对BP算法加以改进，提出了自适应学习速率和附带动量法的BP算法。应用改进后的BP算法可以既反映短期负荷的非线性特性又能反映负荷的动态过程，且可以在一定程度上提高ELman算法的收敛速度和避免在训练过程中陷入局部最小点。通过对山东电网某市配网的负荷数据研究分析，并应用这些数据对网络训练，进行预测一日12点负荷值，通过比较，证明了ELman模型优于BP模型。　　 针对ELman神经网络仍然采用BP算法这一事实，在大规模的负荷预测过程中，将仍不可避免BP算法一些固有的缺陷，本文采用速度变异的粒子群优化算法(VPSO)对ELman神经网络进行优化训练。该算法是在原有粒子群优化算法的基础上，当粒子的速度低于某一阀值时，对粒子施加适当的冲量，使粒子速度重新初始化，位置重新定位，这样就能避免粒子群优化算法陷入局部最优的缺陷，实现全局最优。应用VPSO算法对ELman神经网络的优化，就是把神经网络各个连接层之间的权值和阀值作为变异粒子群的粒子，对这些阀值和权值初始分布进行优化，当寻优到一个较好的位置后，在用神经网络进行局部优化。经过优化的ELman模型可以最大程度的避免收敛速度慢，陷入局部最小解等缺陷。通过地区电网负荷的MATLAB预测实例证实了所提出方法的有效性，获得了较高的预测精度，平均绝对误差达到1.073％，最大的相对误差达到2.12％.性能明显优于单一的ELman神经网络模型预测结果，完全满足短期负荷预测的要求。