天，一天中的各个时间点的负荷的预测变得不准确。实际负荷和估计值之间的差异可以看作是一个随机过程，它可以使用卡尔曼滤波方法7进行改进。非参数方法直接对历史数据进行负荷的预测。例如，使用非参数回归法可以通过计算平均历史负荷再分配权重，以多元的产品内核来进行负荷的预测8。近期，巨大的利益已指示我们应用人工智能技术进行负荷预测。这包括专家系统的应用910，其性能与传统方法进行比较参考1。它还包括利用模糊推理11和模糊神经网络模型1213。人工神经网络（神经网络）受到了高度的关注和努力。人工神经网络的主要优势是它们的数据分类和函数逼近。人工神经网络也能够检测出其与历史数据的依赖关系，而不需要制
f定具体的回归模型。应用人工神经网络进行负荷预测最先在20世纪80年代末和90年代初被提出14。此后的人工神经网络已被广泛接受，并在许多公用事业中被使用1516。最传统的基于神经网络的负荷预测方法是通过对历史温度提前24小时进行预测或对第二天高峰负荷进行预测。这种方法的缺点是，当过去的一天的温度发生急剧变化时，负荷功率变化显著，从而导致较高的预测误差17。此外，传统的神经网络在整个预测过程中使用所有与该天类似的数据。然而，神经网络使用的是与该天数据类似的所有天数的数据，这项复杂的任务不适合学习神经网络。为了克服上述问题，本文提出了用仅一个小时的提前的天气数据来进行负荷预测的方法。在被提议的预测方法中，先根据气象数据分析出与负荷变化最相关的因素。这些最相关的气象数据用来训练，验证和测试的神经网络。相关气象资料的分析用来确定神经网络的输入参数。通过埃及实际系统负荷的应用说明了该方法的适用性。Ⅱ负荷分析电力系统负荷模式的不同特点显著地影响着人工神经网络模型的选择。换句话说，人工神经网络模型结构是依赖于系统和目标系统的特点，应从人工神经网络设计的基本步骤上来分析短期负荷预测。在设计任何负荷预报的第一步是通过分析以往的负荷记录来提取负载特性，比如周期性和趋势1。在本文中，负载分析用的是埃及负荷记录数据。表1显示了埃及每月在19981999到20042005年期间兆瓦峰值负载变化。在2004年最大负荷为15491兆瓦，它是在7月的第二个星期观察所得的。系统2004年的平均用电需求为10978兆瓦。20042005年度能源消费总量为为85305兆瓦时。1显示了在埃及的主要消费区域分图布，在这一年分别为368％住宅用品，351％的工业负荷，112r