电力系统的安全稳定运行与国民经济的发展及社会人身财产安全息息相关。精准的短期负荷预测对指导电力系统制定发电和检修计划、协调机组运行、调度负荷分配是至关重要的。随着智能电网的发展及越来越多分布式电源的接入，影响电力负荷预测精度的因素也日益复杂，使电力负荷呈现更强的非线性，这也对短期负荷预测的精度提出更高的要求。电力负荷预测的关键技术在于预测模型的选取，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。
　　本文首先介绍短期电力负荷预测的研究背景及意义，并总结国内外电力负荷预测方法的研究现状，分析各种预测方法的优缺点。在目前的预测方法中，BP(Back Propagation)神经网络因其适应能力、学习能力、容错能力强等优点，已被广泛应用于短期电力负荷预测中，并得到较为理想的结果。但BP神经网络模型本身也存在一些问题，如收敛较慢和容易陷入局部极小值点等问题，导致预测精度不高。为解决这些存在的问题，本文采用一种基于主成分分析的灰狼BP神经网络模型，该模型依靠灰狼算法(Grey Wolf Optimizer，GWO)较好的全局搜索性能，对BP神经网络的权值阈值进行优化，以改善BP神经网络算法的不足。
　　其次在对利辛县进行短期负荷预测时，为保证预测的精度，通常情况下需要考虑多种负荷的影响因素，就会造成历史数据维数众多，而这些影响因素将作为数据输入到模型中，将影响预测模型的预测效果。因而采用主成分分析(Principal Component Analysis，PCA)对模型的输入个数进行降维优选，以较少的数据输入，取代原本大量的数据输入，将冗余信息消除的同时，保留大部分重要信息，从而提高短期电力负荷预测精度。
　　最后，从利辛县电力负荷特性出发，并结合当地实际最高温度、最低温度以及日类型数据，采用Python编程语言平台，对本文应用的PCA-GWO-BP神经网络模型进行验证。通过对PCA-GWO-BP预测的结果和传统的GWO-BP、GA-BP和BP的预测结果进行比较分析，结果表明PCA-GWO-BP神经网络模型预测的误差较小，预测值和实际值更加吻合。故采用PCA-GWO-BP模型对利辛县的短期电力负荷进行预测，更适合当地实际情况，为今后利辛县供电公司进行电网的生产调度提供依据。