短期负荷预测是负荷预测的重要组成部分,它对于机组最优组合、经济调度、最优潮流、电力市场交易都有着重要的意义。短期负荷预测是以月、周、天、小时为单位的负荷预测,主要用于电力系统的调度。准确的短期负荷预测结果有利于做出适当的计划电力交易量,采用恰当的运行计划和竞标策略,也有利于用电计划的管理,节煤、节油和降低发电成本,制订合理的电源建设规划,提高电力系统的经济效益和社会效益。因此,寻求合适的负荷预测方法最大限度的提高预测精度具有重要的应用价值。论文首先阐述了负荷预测的国内外的研究现状,分析了短期负荷预测的特点及其影响因素,归纳了短期负荷预测的常用方法,并说明了各种方法的优劣；然后详细说明了支持向量机(SVM)的理论基础和原理,推导了SVM回归模型；根据洛阳某地区的历史负荷数据和气象数据,分析各种因素对预测的影响,阐述了负荷变化的周期规律,对历史负荷数据中的“异常数据”进行修正,对负荷预测中要考虑的相关因素进行了归一化处理,采用最小二乘支持向量机(LS-SVM)模型进行预测。然而LS-SVM中的两个参数对模型有很大影响,而目前参数的选取依然是基于经验上的,预测的误差就会很大。最后,本文采用粒子群优化算法对模型参数进行寻优,将支持向量机的参数选择问题视为在给定空间的全局搜索问题,以测试样本集的平均误差作为算法结束的判断条件,实现了支持向量机参数的自动优化选取。本文建立了基于粒子群优化的最小二乘支持向量机模型,实现了模型参数的优化选择,使得预测精度有所提高。实际算例表明,本文的预测方法收敛性好、有较高的预测精度和较快的训练速度。