电力系统由电力网、电力用户共同组成，其任务是给广大用户不间断地提供经济、可靠、符合质量标准的咆能，满足各类负荷的需求，为社会发展提供动力。由于电力的生产与使用具有特殊性，即电能难以大量储存，而且各类用户对电力的需求是时刻变化的，这就要求系统发电出力应随时与系统负荷的变化动态平衡，即系统要最大限度地发挥出设备能力， 使整个系统保持稳定且高效地运行，以满足用户的需求。否则，就会影响供用电的质量，甚至危及系统的安全与稳定。因此，电力系统负荷预测技术发展了起来，并且是这一切得以顺利进行的前提和基础。和l用人工神经网络对电力系统负荷进行预测，实际上是利用人工神经网络可以以任意精度逼近任一非线性函数的特性及通过学习历史数据建模的优点。而在各种人工神经网络中，反馈式神经网络又因为其具有输入延迟，进而适合应用于电力系统负荷预测。根据负荷的历史数据，选定反馈神经网络的输入、输出节点，来反映电力系统负荷运行的内在规律，从而达到预测未来时段负荷的目的。因此，用人工神经网络对电力系统负荷进行预测，首要的问题是确定神经网络的输入、输出节点，使其能反映电力负荷的运行规律。

短时电力负荷预测模型主要分为以下三大类：

模型1：历史电力负荷数据+影响因子  → 预测短时电力负荷 （按天为单位进行预测）

选用14个日期的电力负荷数据用作电力负荷预测模型，每个日期包含96个节点和5个环境因子数据。前三天的电力负荷数据结合当天的环境因子来预测当天的电力负荷，其中一天有96个时间节点，那么输入层节点=96*3+5=293，输出层节点=96（当天的96个节点）。故仿真模型一组数据中包含389维数据。14个日期的数据可以组合成11组389维仿真数据，其中10组用于训练，1组用于测试。测试数据包含96个测试输出，则包含96个误差和误差百分比，为了更好地衡量误差百分比，故求96维数据地误差百分比平均值。（不同日期的数据量越多，训练出的网络预测精度会越好）。

模型2：影响因子→预测电力负荷

548组有效数据其中500组数据，用于训练神经网络，48组数据用于测试神经网络的预测精度，每一组数据包含10维的数据，其中第一维为日总功，第二到九维数据分别是峰、平、谷、总（正向无功）、日最大需求量、日最高温度、日最低温度、日平均无功功率和日平均有功功率, 通过第二维到第九维数据作为神经网络的输入，日总功作为神经网络的输出。因为那九维数据间接影响日总功的数值，所以作为输入。故该模型是通过多种影响电力负荷的因素来进行电力负荷预测

模型3：历史电力负荷数据 →预测短时电力负荷 （按小时为单位进行预测)

选用地区1的63个不同日期的24个小时的电力负荷数据，即包含了63组24维数据。24维数据中，20维数据作为神经网络的输入，4维数据作为神经网络的输出。即利用每天的前20个小时电力负荷数据来预测每日后4个小时的数据。63组数据中，其中50组数据作为训练数据，13组数据作为测试数据用于训练神经网络。

模型4：历史电力负荷数据→预测短时电力负荷（按天为单位进行预测）

模型4其实是模型1的简化，直接通过历史数据来对电力负荷进行预测。选用14个日期的电力负荷数据用作电力负荷预测模型，每个日期包含96个节点。前三天的电力负荷数据结合当天的环境因子来预测当天的电力负荷，其中一天有96个时间节点，那么输入层节点=96*3+5=288，输出层节点=96（当天的96个节点）。故仿真模型一组数据中包含384维数据。14个日期的数据可以组合成11组384维仿真数据，其中10组用于训练，1组用于测试。测试数据包含96个测试输出，则包含96个误差和误差百分比，为了更好地衡量误差百分比，故求96维数据地误差百分比平均值。

应用于电力负荷预测仿真模型的几大类神经网络实例：

1. Elman神经网络预测电力负荷模型

2.GRNN神经网络预测电力负荷模型

3.BP神经网络预测电力负荷模型

4小波神经网络预测电力负荷模型