目的:电力系统短期负荷预测是能量管理系统(EMS)的重要组成部分,也是核反应堆功率控制系统的重要组成环节,它对核电站的运行,控制和计划都有着非常重要的意义.提高电力系统短期负荷预测精度是实现核电站的经济、高效运行的必要前提.由于负荷预测的复杂性、不确定性,从而使传统的基于解析模型和数值算法的模型难以获得精确的预测结果.人工神经网络(ANN)可以模仿人脑的智能化处理,具有逼近任意非线性函数的特征和自学习能力,给负荷预测提供了一种新的途径.但是该模型本身也存在着不足,为了进一步提高电力系统短期负荷预测精度,该课题提出了一种新型的短期负荷预测方法,该方法引入了擅长处理不确定性,不精确性及噪声引起的问题的模糊系统,将它与具有分布式并行处理和自学习机制的神经网络结合,构建了一种新型的短期负荷预测模型.该课题中首先采用多层前馈神经网络,以与预报点负荷相关性最大的几种因素作为输入因子,以改进BP算法作为预测算法,来预测预报日各点负荷,得出基本负荷值.然后引入一种新的短期负荷预测模型--自适应模糊神经网络,用于预测预报日的最大、最小负荷,针对模糊神经元的权值更新问题,采用了一种新的权值更新算法--一步搜索寻优法,在获得预报日基本负荷分量和最大负荷、最小负荷的基础之上,通过纵向变换,对预报日的负荷进行修正,进一步减小了预测误差.将上述模型和算法应用于某地区电力系统的短期负荷预测,与传统的预测方法相比较,预测的最大误差由9％降到了5.2％,取得了更好的预测效果.该文的内容包括:绪论;电力系统短期负荷预测模型的分析;人工神经网络模型及其在电力系统短期负荷预测中的应用;基于自适应模糊神经网络的电力系统短期负荷预测模型与算法;电力系统短期负荷预测及结果分析.