短期负荷预测是电力系统一项非常重要的工作，准确的短期负荷预测对于电力系统经济、安全、可靠的运行具有特别重要的意义。随着电力系统的日趋复杂化，特别是电力市场的逐步深入，短期负荷预测被赋予了更高的要求。 本文首先讨论了负荷预测的BP人工神经网络方法。神经网络的训练由Levenberg-Marquardt算法实现。Levenberg-Marquardt算法是BP神经网络的一种改进训练算法，可以实现神经网络的快速训练。Levenberg-Marquardt算法是最好的中小型神经网络训练算法。但Levenberg-Marquardt算法采用梯度下降算法优化权值，使神经网络只能收敛到局部最优。局部最优问题是影响神经网络预测精度主要因素。局部最优问题也带来训练结果的不确定，使得不便使用验证的办法实现对网络模型和输入变量的优选。 支持向量机解决了神经网络中存在的局部最优问题，比BP人工神经网络法有更高的预测精度和鲁棒性，被认为是神经网络的替代方法。本文用最小二乘支持向量机建立了负荷预测模型。最小二乘支持向量机是标准支持向量机的一种扩展，比标准支持向量机速度更快，更便于使用。在选择相同训练样本和输入变量的情况下，最小二乘支持向量机预测法的预测效果明显优于BP人工神经网络预测方法。由于最小二乘支持向量机的解是唯一的，预测模型的参数选择可以使用验证实现。 实际应用中，神经网络和最小二乘支持向量机预测方法的输入变量通常是根据经验选择的，这势必造成知识的瓶颈问题，使预测模型的适应性不好。本文提出一种把最小二乘支持向量机贝叶斯证据框架理论和二进粒子群优化算法相结合的方法，实现预测输入变量的自适应选择，以减少预测模型建立过程中