电力系统短期负荷预测是电力系统调度运营和用电服务部门的重要日常工作之一。它关系到电力系统的调度运行和生产计划,其预测精度的高低直接影响到电力系统运行的安全性、经济性和供电质量。因此,短期负荷预测方法的研究一直为人们所重视。根据以往电力系统短期负荷预测的方法,本文对神经网络基本理论方法进行了较深入细致地研究,分析了短期负荷的各种特性,如日周期性、周周期性、年周期性以及天气因素对短期负荷变化的影响,建立了神经网络负荷预测模型。在输入变量中考虑了临近日负荷特点,以及各种气象因素。对输入负荷值进行伪数据处理、归一化处理,对温度、天气情况进行了量化处理。为了克服神经网络收敛速度慢、由于网络初始值选取不当而陷入局部极小点的缺点,通过比较各种改进的BP学习算法,本文采用Levenberg-Marquardt学习算法对网络进行训练,并将粒子群算法引入网络初始值的优化中:首先用粒子群算法来优化网络参数,然后用优化权值阈值作为Levenberg-Marquardt算法的初始值。最后通过实例仿真,首先比较两种改进的BP学习算法:附加动量法和Levenberg-Marquardt法,结果表明:在本模型中,Levenberg-Marquardt学习算法在收敛速度以及预测精度上明显优于附加动量法。然后通过对某市11月25日～28日整点负荷进行预测,比较基于改进的BP神经网络负荷预测模型与粒子群神经网络负荷预测模型,结果表明,粒子群神经网络负荷预测模型具有更好的预测精度,可以应用于电力系统地短期负荷预测。