随着第二次电力改革的逐步推进,售电公司越来越迫切地寻求高精度、普适性强的电量预测算法。具有高精度、普适性强的电量预测算法能为售电公司提供最基本的策略保证,对企业增强市场核心竞争力具有十分重要的意义。然而,中国的售电市场才刚刚起步,面向中小型用户的电量预测算法未受到广泛关注,传统的电量预测算法已不能适应售电公司的市场需求。目前,很多中小型用户的用电量容易受到企业经济效益与当地气候因素的影响,使得用户所提供的电量数据具有明显的非线性、随机性等特征,从而导致传统预测算法难以精准预测,造成售电公司的巨大损失。传统意义上的神经网络算法或极限学习机算法在电量预测时需要考虑该模型的数据量,即需要提供大量历史数据集进行训练,限制了这两类算法在此领域的运用。基于上述问题,本文着重解决了样本小、非线性强的的电量数据预测问题,提出使用基于最大相关熵准则的支持向量回归算法(MCC-SVR)与基于最大相关熵准则的最小二乘支持向量机算法(MCC-LSSVM)。本文首先明确了电量预测的概念并对常用于电量预测的模型进行简单介绍。其次,使用邓氏关联度以及改进的关联度分析模型对数据的可预测性进行分析,找出对用电量预测影响最大的两种因素:经济因素与气候因素。随后,针对现有数据量样本小、分布不均匀的统计特性,在基本支持向量机的模型上使用最大相关熵准则代替原有模型中的风险函数形成了MCC-SVR与MCC-LSSVM模型。最终,为了使所改进的模型能更好的适应各种条件下的电量预测,保持最佳学习能力,本文使用了网格寻优法与交叉验证法对模型参数进行寻优,确保参数普适性。最终选择合适的评价指标对预测结果进行分析。文章最后以教育行业、机械制造业以及其他行业数据为样本,结合经济发展数据、气候数据对用电量情况进行预测。结果显示,所建立的基于MCC的改进方案是有效的,并且预测误差基本在3%以内。