短期电力负荷预测是电网中能量二次配置过程的重要环节,是电力系统稳定运行的基础。随着电力系统开放式发展和智能电网概念的提出,传统的预测方法难以适应海量数据下对于预测精度越来越高的要求。近年来因为机器学习具有较强的自学习能力,在短期电力负荷预测研究中的应用也逐渐增多。本文以最小二乘支持向量机（LSSVM）为基础,利用改进的麻雀搜索算法（ISSA）确定其核参数和惩罚因子以提高模型的预测精度。本文首先介绍了短期电力负荷预测的发展历程和常见的预测模型。然后阐述了数据预处理过程,在确定数据序列中异常点和缺失点数据之后从垂直和水平两个方向对其进行修补,利用变分模态分解（VMD）对数据进行去噪和平滑处理,结合实际数据对预处理过程进行了验证。接着分析了短期负荷的影响因素,通过线性信息粒化的相似性度量方法来判断相似日,最终确定预测模型的输入为6个相似日变量和1个温度变量。LSSVM在抗噪声和运算速度方面有很好的性能,但是预测效果受初始参数的影响较大。针对此种情况,本文通过三方面对麻雀搜索算法（SSA）进行了改进研究,并将改进后的麻雀搜索算法（ISSA）用于优化LSSVM的初始参数,搭建组合预测模型ISSA-LSSVM。选择不同季节具有代表性的日期和两个典型的节假日,分别对其用电负荷进行预测,以此验证组合模型的预测效果。然后利用验证集数据建立误差预测模型实现对预测结果的第一次校正,用趋势外推法预测波动点的数据进行第二次校正。仿真结果表明,经过两次校正后的预测误差大幅度降低。短期电力负荷的波动性较强,为了全面展现用电负荷的波动特性,本文又应用基于短期负荷平均值与电力负荷波动范围的联合预测模型（FIG-ISSA-LSSVM）对负荷的变化范围进行预测研究。利用模糊粒化理论将原始数据序列粒化为最大值、最小值与平均值三个子序列,然后对这些子序列分别进行预测,从多个方面对当天的负荷进行预测分析。