随着全球环境的恶化与能源的日益枯竭，一种使用清洁能源发电的环境友好型电网—微型智能电网应运而生，它的出现弥补了传统大电网能源利用率低、运行成本高且难以满足偏远地区用电需求的缺陷，极大程度地保障了电网的供电可靠性。加强对微网负荷预测技术的研究既是提高微网本身运行性能的重要保障，也是我国电力事业发展的重要任务。　　由于微网具有极强的不确定性，在孤网运行时，需要较为有效的短期预测模型用于追踪负荷的变化，利于微网系统提前预知负荷变化，协调内部分布式电源与储能元件合理运作。提出一种由BP神经网络构成的多重分类器系统模型对微网进行短期负荷预测。取微网4日的负荷数据以及待预测当日的最高、最低气温作为训练测试样本，构造三个BP神经网络分类器，按照“近大远小”的原则分配权值，通过融合算法得出预测结果。该模型通过融合技术规避了单一分类器预测片面性的特点，提高了预测的可靠性。　　在偏远地区，微网作为独立的供电系统对当地用户供电，致力于微网系统的中长期负荷预测研究有利于电力人员了解当地的用电需求，合理安排微网规模，确保微网系统供电的稳定性。针对中长期负荷预测中可供参考的历史数据较少，加之微网的波动性特点，对常规的灰色模型法进行优化，提出一种将灰色模型与广义回归(GRNN)神经网络相结合的灰色神经网络预测模型。以微网近10年的年负荷数据作为训练测试样本，分别建立三组灰色模型进行训练预测，然后将各年的产值指标值（经济因素）作为影响该地年负荷波动的不确定因素，利用广义回归神经网络在处理非线性问题中表现出的卓越能力，将产值指标值与灰色模型的预测结果共同作为广义回归神经网络的输入，通过网络训练得到最终的预测结果。　　通过对以上两种模型进行Matlab仿真，得到各自的预测精度对比图，预测结果表明:多重分类器系统的短期负荷预测精度高于任何单一BP神经网络分类器;灰色神经网络的中长期负荷预测精度也高于任一灰色模型。事实证明，以上两种模型都取得了很好的预测效果，具有一定的现实意义与实用价值。