随着经济的迅速发展,电力成为越来越重要的生产要素,电力负荷预测对于保证电力系统安全稳定的运行、电网的合理规划和调度起到了越来越重要的作用。如何提高电力负荷预测的精度是急需解决的重要问题。近些年来,众多研究专家对此研究和发展了多种预测方法,但是由于短期电力负荷预测受到众多因素影响,变化规律极其的复杂,非线性极强,到现在止也没有一种公认的最合适的预测方法。但单一的预测方法已经不能满足其对预测精度的要求,为了提高短期电力负荷的预测精度,本文中提出一种由过程神经网络模型、粒子群优化方法和经验模态分解法相结合的预测方法。原始数据的预处理对电力负荷预测的精度有很大的影响,而短期电力负荷预测受到众多因素的影响,规律复杂,非线性强,给数据的建模增加了很大的难度,因此,本文采用经验模态分解法对原始数据进行处理。将原始序列进行经验模态分解(EMD)为若十个独立的子序列(IMF),这样每个子序列的规律性强、周期性较稳定,为后期的预测提高了可执行度。针对传统的神经元网络对于大样本学习和泛化问题的处理能力不足,不能反应输入过程对于时间的累积效应,难以满足工程实际中对实时性的要求,本文建立过程神经元网络,使得系统能直接处理过程式的数据,并采用正交基函数展开的方法解决了泛函逼近的问题以及大样本的泛化问题。对于过程神经元网络模型中拓扑结构繁杂,需要调节的参数较多等缺陷,本文采用粒子群优化算法来优化过程神经元网络的模型结构。粒子群优化算法是一种全局优化算法,该算法具有适应性强、简洁、易于执行、鲁棒性好等特点,已被成功应用于很多研究领域,而且有深刻的智能背景。但基本粒子群优化算法在实际应用中容易早熟、寻优能力较差并且后期算法的收敛速度较慢。为此,本文设计了加速扰动粒子群(ADPSO),在粒子的学习过程中放弃了向自身最好经验学习的方面,而只依赖于群体最优值,同时增加扰动因子以保持粒子的多样性避免局部极值。测试结果表明改进的粒子群方法优化过程神经元网络的各项参数效果较好。最后,以郑州某地区的历史负荷数据对组合预测模型进行预测验证,仿真结果表明本文提出的组合的短期电力负荷测方法比传统电力负荷预测的精度有明显提高,时效性也有了很明显改善,这能有效助于提高电力系统的效率使得电力系统的预测更加合理、可行。