电力系统短期负荷预测是电力部门日常调度工作中一项十分重要的内容,短期负荷预测的准确度对电力系统运行的安全性、可靠性和经济性都有着直接影响。因此,短期负荷预测方法的研究一直是国内外学者研究的一个重点方向。人工神经网络作为一种智能算法,近年来在短期电力负荷预测领域得到了广泛的研究与应用。本文对人工神经网络的网络结构,学习规则等方面进行介绍后,分别基于BP神经网络和Elman神经网络建立短期负荷预测的数学模型。在BP神经网络的建模过程中,首先对数据进行预处理,包括采用横向对比法和纵向对比法对异常数据进行修正,以及对数据进行归一化处理,随后采用非线性阻尼最小二乘法对学习算法进行优化。训练过程中,网络采用数据循环输入的方法以提高样本的利用率及网络训练的效率,并在合理的取值范围内选取多组网络参数,将训练效果最好的一组应用到模型中去。Elman神经网络是典型的动态网络,它是在BP神经网络基本结构的基础上,增加一个承接层来存储内部状态,从而使系统具有适应时变特性的能力。本文在Elman神经网络建模过程中,分别从网络算法、激励函数及网络结构等方面对模型进行优化,以提高网络的收敛速度和预测精度。仿真过程中,以上两个数学模型均采用相同的数据样本进行短期电力负荷预测,通过预测误差及预测精度间的对比得出结论,Elman神经网络模型的预测效果优于BP神经网络模型。