电力系统短期负荷预测是电力调度部门制定发电计划的依据,是市场环境下编排调度计划、供电计划、交易计划的基础,它主要用于预报未来几小时、一天至几天的电力负荷。高效率和高精度的负荷预测系统是电力市场供求平衡和电力系统可靠运行的保证,而电力负荷预测的关键问题是预测的技术问题和数学建模问题,本文的主要工作就是研究和改进BP神经网络模型,从而提高预测精度和效率。本文首先对现有的各种短期负荷预测方法及其优缺点进行了研究。在现有的方法中,BP神经网络因其自身的自适应、自学习、高容错能力等一系列优点,已被应用在电力负荷预测中,并取得了较为理想的结果。但是BP神经网络其自身存在收敛速度慢和容易陷入局部极小值的问题,为了解决这个两个问题,本文提出了一种基于核主成分分析法的遗传BP神经网络模型。该模型利用遗传算法的全局搜索性能优化BP神经网络的权值阈值,以克服BP算法的局部收敛问题。又由于在进行短期负荷预测时为了保证预测的精度,通常情况下需要考虑许多负荷的影响因素,这些因素之间存在着非线性的相关性、冗余信息,而这些影响因素会作为神经网络的输入变量,太多的输入变量会加大训练负担降低预测效率。因此采用核主成分分析(Kernel Principal Component Analysis,KPCA)对训练样本的输入个数进行降维优选,以较少输入代替原始大量输入,这样可以删除冗余信息同时保留大部分信息,从而加快了收敛速度提高了预测效率。本文用MATLAB软件对模型进行仿真实验,预测模型共分成BP神经网络模型、GA-BP神经网络模型、KPCA-GABP三种模型,并利用该三种模型对湖南某地区的电力系统负荷进行仿真。最后仿真结果表明KPCA-GABP预测模型在预测精度和效率上均优于其它两种模型。同时为了说明核主成分分析法较主成分分析法能更好地提取数据的非线性信息,从而提高短期负荷预测精度,因此构造了PCA-GABP预测模型,并与KPCA-GABP模型进行仿真对比。最后仿真结果表明KPCA-GABP模型在预测精度上要优于PCA-GABP预测模型。