电力系统短期负荷预测是保障电网平稳运行中不可缺少的一环,高精度的负荷预测对电网运行意义重大,但在实际应用中,受多方因素影响,负荷预测的误差无法完全消除,从而导致负荷预测的精度难以达到百分之百,因此,如何有效的提高负荷预测的精度,使其达到电网运行的标准,一直是学术界的热点研究之一。在诸多预测模型中,神经网络具有较强的学习能力和泛化能力,因此,被广泛的运用在负荷预测领域中。本文基于神经网络的最新研究成果,深入分析了负荷预测的特性以及影响因素,利用四川省某县的历史负荷数据做了相关研究,主要内容如下:(1)研究了电力系统负荷预测的相关理论,分析了电力负荷的周期特性、组成结构等。为了验证神经网络在负荷预测领域具有良好性能,分别采用了三种常见的神经网络模型对四川省某县未来三天的负荷值进行预测。根据预测结果显示,三种模型均可以应用于负荷预测,但预测结果仍存在较大误差,通过分析比较得出,BP神经网络预测曲线较为优良,具有较大的优化空间。(2)为了提升负荷预测的精准度,针对BP神经网络结构单一、易陷入局部最优、输入层只考虑历史负荷数据等问题,采用了深度置信网络(DBN),通过逐层贪婪预训练受限玻尔兹曼机的方式,提高了训练的效率。同时针对输入层只考虑历史负荷数据,未考虑其他影响因素这一问题,列举了几种对短期负荷预测影响较大的因素,并将其增加到输入层中。(3)针对DBN预训练过程中权值初始随机化,导致整体收敛速度较慢等问题。提出了一种基于改进粒子群算法优化深度置信网络(DBN)的方法。首先对粒子群算法中的学习因子1c、2c和惯性权重ω进行动态调整,然后将改进后的粒子群算法与深度置信网络(DBN)结合,使用粒子群算法的寻优功能来调节深度置信网络(DBN)预训练的初始权值。(4)利用四川省某县的历史负荷数据作为训练样本,建立了一种基于改进粒子群算法优化深度置信网络(DBN)的预测模型。通过对预测结果的误差分析,以及和其他模型的对比,验证了本文所提出的PSO-DBN模型在短期负荷预测领域中具有一定的精准性和有效性。(5)为了将本文所提出的理论应用于工程实际中,根据需求设计了一款短期负荷预测软件,该软件以“Visual Studio 2010”作为开发平台,采用CSharp语言编程,并选用SQL Server2008数据库进行开发,实现了数据管理、负荷数据分析、负荷预测分析等基础功能,能够达到简单、友好的人机交互效果。