电力系统负荷预测是电力系统运行、控制和规划不可缺少的一部分，是电力市场技术支持系统的基础。支持向量机(SupportVectorMachine，简称SVM)是基于统计学习理论的一种新的机器学习技术。由于采用了结构风险最小化原则替代经验风险最小化原则，使它较好的解决了小样本学习的问题。正因为SVM理论有较为完备的理论基础和较好的学习性能，使得它成为继神经网络研究之后新的研究热点。本文在对支持量机方法的参数性能进行分析的基础上，提出了一种加权免疫支持向量机方法来预测电力系统短期负荷，对不同的样本，对支持向量机的参数赋予不同的权重，并利用免疫算法来优化支持向量机的参数。免疫算法是根据人类或其它高等动物免疫系统的机理而设计的，通过抗原和抗体之间的相互作用过程，有效地克服了未成熟收敛现象，提高了群体的多样性。通过仿真证明，与支持向量机方法相比，加权免疫支持向量机方法具有更高的预测精度。给出小波核支持向量机的构造方法。由于母小波函数可以生成小波框架，我们用小波框架来构造核函数，而采用该核函数的SVM，能够逼近平方可积空间中的任意函数。给出小波变换和支持向量机混合模型进行电力系统短期负荷预测的方法。首先基于小波多分辨率分析方法将负荷序列分解成具有不同频率特征的序列，然后根据分解后各分量的特点构造不同的支持向量机模型对各分量分别进行预测，最后对各分量预测信号进行重构得到最终预测结果，仿真结果证明了该方法的有效性。在成功开发电量预测软件的基础上，提出了负荷预测软件的设计方案。