电力负荷预测水平已成为衡量电力系统运行管理现代化的标志之一.它是制定发电计划和输电方案的主要依据，对合理安排机组启停、确定燃料供应计划、进行能量交易等具有重要意义，其预测精度的高低直接影响到电力系统运行的安全性、经济性.随着电力系统市场化的不断深入，短期负荷预测在电力系统中显得更加重要，尤其是准确的短期负荷预测更是具有重要的意义. 本文以改进电力负荷预测历史数据的准确度和相关性，以提高电力负荷预测的准确性为目的.探讨了电力负荷预测研究现状及发展趋势，对电力负荷预测的各种传统及现代方法进行了综述，并着重分析各种方法的特点，讨论了电力负荷的特性以及影响负荷的相关因素.同时研究了电力负荷预测的现状和存在问题，并在此基础上进行系统深入的研究. 在对支持向量机、人工神经网络和小波分析理论进行重点研究的基础上，针对电力系统短期负荷预测的特点，本文提出基于相似日小波支持向量机的负荷预测模型，该模型综合了电力负荷本身具有的相似性、小波变换良好的时频局域化性质和支持向量机的学习能力，提高了模型的泛化能力和系统的预测精度.由于粒子优化算法具有较快的训练速度和收敛速度.并且粒子优化算法需要调整的参数较少，参数调整简单且具有直观的意义.同时，考虑模拟退火算法能概率性跳出局部最优并最终趋于全局最优解的特性.本文利用粒子优化算法和模拟退火算法训练神经网络，提高神经网络的收敛速度.将此神经网络模型应用于电力负荷预测.结果表明该模型是可行而实用的，与传统的神经网络预测模型相比，具有更快的收敛速度，更高的预测精度，能较好地预测波动较大的电网负荷.本文最后分析了电力系统负荷预测研究中存在的问题，并对进一步研究工作作出了展望.