电力系统月负荷预测是安排电力系统月度发电计划的重要依据。论文从月负荷特性、样本数据预处理、训练样本选择和预测算法等方面进行了研究。由于月度负荷的二重趋势特性,其变化呈现出复杂的非线性组合特征,使预测精度一直不能达到令人满意的结果。针对月负荷的二重趋势特性,论文提出了一种基于最小二乘支持向量机(least squares support vector machine,LSSVM)的月度负荷预测方法,并提出一种广义网格搜索算法对最小二乘支持向量机的参数进行优化。最小二乘支持向量机基于统计学理论的VC维和结构风险最小化原则,能较好的解决小样本、非线性问题。同时,针对最小二乘支持向量机存在的数据输入维数大、训练时间长等缺点,本文提出了一种基于灰色关联度的相似月选择方法,通过计算各个月样本的灰色关联度,按照灰色关联度的大小选择相似月,并在相似月中选择对应日作为最小二乘支持向量机的输入样本。该方法能够剔除冗余数据,减少输入维数,提高预测精度。通过兰州电网月度负荷预测的实例验证,并将本文的方法和回归分析法的预测结果进行对比得出：最小二乘支持向量机的平均误差为1.83%,低于回归分析法的平均误差7.88%,可见最小二乘支持向量机方法可显著提高月负荷预测的精度,证明该方法应用于月度负荷预测是可行的。