电力短期负荷预测对电能优化调度和电力市场规划有十分重要的意义,尤其是在电力企业由计划经济的垄断经营模式转变为市场经济的竞争经营模式,且当前电力供应紧张的情况下,准确的电力负荷预测显得至关重要。相似日选取算法原理简单,合理选择预测相似日是提高短期负荷预测精度的有效途径。近年来,支持向量机(Support Vector Machine, SVM)算法得到了快速发展,它是一种新型机器学习算法,由统计学习理论发展而来。支持向量机建立在结构风险最小化准则之上,能取得最小的实际风险,适合于小样本学习,且具有较好的泛化性能,在短期负荷预测研究中得到了广泛应用。　　本文在充分分析短期负荷基本特性的基础上,阐述了温度累积效应的表现形式,通过修正日最高温度来反映夏天的温度累积效应,并基于修正温度选取相似日后采用支持向量机回归模型来预测未来一天的负荷。论文工作主要有以下几点:　　1)从时间、气象和日类型等方面详细分析了湖北某地区的负荷特性。对三种常用预测方法(时间序列分析法、神经网络方法和支持向量机方法)的优缺点和建模性能进行了总结,从而得出支持向量机方法更适合用于开展短期负荷预测的研究。　　2)针对支持向量机在出现温度累积效应情况下预测精度不高的问题,提出一种考虑温度累积效应的相似日选取算法(TSD算法),详细介绍了该算法的原理。对温度修正公式中的参数,利用遗传算法对其优化选取,并应用温度修正公式对夏季(6月～8月)日最高温度做了修正。　　3)根据本文的相似日选取算法,计算历史日与预测日的总相似度,选出前 n个历史日作为待预测日的相似日。将这些相似日整理成训练样本,应用支持向量机回归模型来预测未来某一天的24点负荷,并将本文方法的预测结果与其他常用方法预测结果比较,分析了本文方法的优势所在。　　实验结果表明,本文方法对工作日和周末负荷的预测均能获得较高的预测精度,是一种有效的短期负荷预测方法。