电力负荷预测是保障电力生产系统安全、节约能源及使生产效益最大化的重要管理手段,而对于短期负荷的预测则是电力负荷预测中的关键。目前电力短期负荷预测中常用的神经网络方法,预测精度虽然较高,但存在经验最小化、网络结构参数难以确定、局部最优及泛化能力不强的缺点。本课题综合分析国内外研究现状,在探讨负荷预测常用手段的基础上,提出结合粗糙集和支持向量机两种技术的方法,它具有支持向量机的小样本学习能力强、全局最优、泛化能力好的优点,又由粗糙集简化了支持向量机输入向量的维数,能够解决神经网络中存在的问题。该方法采取对异常数据进行完备化、平滑化和归一化等预处理手段,通过研究基于改进的二进制分辨矩阵属性约简算法和支持向量回归训练模型,对短期负荷进行预测,同时还采用南昌市2005～2007年历史负荷数据进行仿真实验,分析实验结果表明:1.采用软件滤波方法对历史数据进行预处理,可以保证数据的完备性和平滑性;2.基于改进的二进制分辨矩阵粗糙集结合支持向量回归模型的预测方法,不但可以简化样本数量和维数,而且能缩短训练时间,同时能进一步提高预测准确度。基于粗糙集与支持向量机相结合对短期负荷进行预测的技术,不仅为指导电力生产调度及营销等工作提供了理论依据,而且具有良好的社会经济效益与应用前景。