短期负荷预测是电力企业日常经营管理工作的重要组成部分，其重要性不言而喻。支持向量机(SVM)作为新型的机器学习工具，具有深厚的理论基础，收敛时间短、预测精度高、可调参数少且结构容易确定，需要的先验信息和使用技巧少，在短期负荷预测的应用中具有显著的优越性。
　　 本文在全面总结支持向量机在短期负荷预测中的应用概况和现有问题的基础上，针对支持向量机应用于短期负荷预测展开了几个方面的研究工作：
　　 (1)通过改进的粒子群优化算法(PSO)对最小二乘支持向量机的模型参数进行自适应寻优，避免预测过程中对模型参数的盲目选择。
　　 (2)针对县级电网负荷曲线波动大毛刺多的特点，采用了小波分析对负荷数据进行预处理。
　　 (3)采用粗糙集属性约简原理对各条件属性进行预处理，得到更为合理的最小二乘支持向量机输入参量，得到待预测日的峰谷值后，采用灰色关联度法取得相似日的日负荷变化系数，从而反推出待预测日的日负荷曲线。
　　 (4)混合预测模型是短期负荷预测的热点。本文尝试结合希尔伯特黄变换和最小二乘支持向量机建立混合预测模型，聚类经验模式分解(EEMD)被采用以解决前者的模态混叠问题，根据希尔伯特频谱分析将各个固有模态分量和残余分量重构为波动、周期和趋势分量，结合各分量的特点分别建立合适的预测模型，最后叠加得到最终预测结果。