短期负荷预测是电力系统运行调度中一项非常重要的内容，它是电网安全经济运行的前提，也是调度安排开停机计划的基础，对电网调度自动控制非常重要，其预测精度直接影响电力系统的经济效益。随着电力改革的深化，电力市场的进一步开放，高质量的短期负荷预测愈显得重要和迫切。　　 本文在对现有各种预测算法进行深入、细致研究的基础上，分析了各种算法的优缺点以及其所适用的范围，详细地综述了近年来国内外应用和研究的进展情况。通过对电力负荷特性的分析，提出了基于综合法的数据预处理新方法，为广安电网短期负荷预测模型利用这些历史数据奠定了基础。　　 由于负荷预测的实质就是寻找一种能较准确地拟合多种影响因素与负荷之间非线性复杂关系的函数映射，而支持向量机是建立在统计学习理论基础上的新一代机器学习方法，以结构风险最小化原则为理论出发点，具有较强的非线性拟合能力和较好的推广能力，并较好地解决了高维数、非线性、小样本、局部极小值等实际问题。所以本文将其应用于电力系统短期负荷预测，提出了基于支持向量机回归(SVR)及其参数优化的短期负荷预测方法。一方面，该方法通过充分利用负荷的日周期性和同时刻负荷相近性，采用不同天同时刻的负荷样本训练SVR来获取负荷的最优回归函数，实现了在最小化负荷样本点误差的同时，缩小模型泛化误差的上界；另一方面，该法在考虑参数对SVR预测模型的影响的基础上，将虚拟预测策略和粒子群算法运用于支持向量机参数的优化，实现了模型参数的自适应优化选择，克服了SVR建模过程的盲目性，并以广安电网仿真测试证明了所提方法的可行性和有效性。