电力短期负荷预测是电力系统中一项重要的工作，它对于电力系统的安全和经济的运行都有着重要的意义。由于电力短期负荷受到多种因素的影响，所以考虑这些影响的因素的人工神经网络在短期电力负荷预测中得到了广泛的应用。随着电力短期负荷预测技术研究的深入，人工神经网络在电力短期负荷预测的应用中存在的缺点日益显现出来。支持向量机作为人工神经网络的替代法被引入电力短期负荷预测中，它能够有效的避免人工神经网络训练算法中的过学习、维数灾、局部极小点的等问题，支持向量机及其改进算法在电力短期负荷预测中应用的研究得到了广泛的关注。　　本文从分析支持向量机的基本原理出发，虽然支持向量机具有非线性拟合、泛化能力强、训练收敛速度快等显著特点，但当处理海量电力负荷数据时，支持向量机的训练效率降低，针对解决这一问题提出的最小二乘支持向量机被引入电力短期负荷预测中。本文建立了基于最小二乘支持向量机的电力短期负荷预测模型，并与传统的负荷预测方法作了实例分析比较，结果表明最小二乘支持向量机的负荷预测精度比较高。　　当负荷样本数据维数过高时，最小二支持乘向量机负荷预测模型的泛化能力将下降，主成分分析就是一种线性降维的措施。本文建立了基于主成分分析的最小二乘支持向量机的电力短期负荷预测模型，经过算例验证，该方法减少了工作量，提高了负荷预测模型的预测精度。　　通过主成分分析获得的是原始特征的线性关系，核主成分分析能够反映原始特征的非线性关系。本文提出了基于核主成分分析的最小二乘支持向量机的短期负荷预测模型，经过算例验证，该模型比基于主成分分析的最小二乘支持向量机的负荷预测模型的精度有所提高。