随着经济的迅速发展,电力行业面临的挑战日益增多,其中,电力系统负荷预测对于整个电力行业意义重大。目前,电力系统负荷预测已成为科学研究的热门课题。精确掌握未来负荷趋势,才能准确把握电力系统的整体布局,保持电网安全稳定的运行环境。人类生活与环境的巨大变化,使得电力负荷所受影响日益复杂,且其相关数据呈现高维大数据特性,本文综合考虑气象因素对电力负荷预测的影响,提出基于大数据分析及改进神经网络负荷预测方法,有效改善预测效果,提高预测精度。首先,论文对负荷特性进行详细的分析,指出了外界环境对负荷特性影响的重要性,详细阐述了负荷预测研究方案的具体实施步骤及预测误差分析方法。其次,考虑气象因素对电力负荷影响的重要性,提出将多气象因素引入短期负荷预测模型,采用基于最小绝对值收缩及选择(Least absolute shrinkage and selection operator,简称LASSO)大数据简约及主元分析降维的方法对多参数气象因素进行变量数据预处理。对基于大数据简约及主元分析算法原理进行详细分析,通过算例仿真,充分证明该算法的适用性及有效性。然后,对BP神经网络结构原理及其算法改进进行了详细研究,采用列文伯格一马夸尔特(Levenberg-Marquard,简称LM)算法优化BP神经网络的训练过程,综合牛顿法和梯度下降法两者的优势,改进BP算法,明显提高学习速率并有效避免陷入局部极小,并通过算例仿真充分验证改进网络模型的良好性能。最后,采用大数据简约及主元分析方法对多参数气象因素样本数据进行运算处理,简化数据结构,消除冗余信息,提取气象特征变量,与历史负荷共同作为建模对象,建立LM-BP改进神经网络短期负荷预测模型。并以美国南部某地区的实际电力负荷为实验算例,通过进行负荷预测及误差分析,充分证明本文提出方法的可行性和优越性。