电力负荷短期预测是电力系统调度和控制的基础，其预测精度直接影响电力系统的经济效益以及电网的稳定性。当前的电力系统负荷预测分析一般都集中在陆上地区性的大型电网中。随着船舶向大型化和多功能化发展，远洋运输中大型和超大型船舶的需求越来越多，船舶供配电控制与电力管理系统的复杂程度和自动化程度越来越高，对船舶电力系统提出的要求也越来越高。 船舶电力系统具有以下特点：船舶电力系统的发电机组以柴油发电机组为主，电力系统容量小，用电负载种类比较多，系统的动态控制过程频繁发生。船舶电力系统处于动态变化的运行情况比较多，系统的动态变化范围也比较大，这些直接影响了电网的稳定，需要我们及时对船舶电力负荷的变化做出预测，据此进行发电机的起停控制，把电网的波动控制在合理的范围内，保证船舶电力系统的经济稳定的运行。 支持向量机是新一代的机器学习算法，以统计学习理论作为其理论基础，它的训练等价于解决一个二次规划问题，采用结构风险最小化原则，具有预测能力强、全局最优及收敛速度快等显著特点。因此，本文从研究混沌时间序列的预测入手，提出了一种基于支持向量机回归理论的预测方法，并将其应用于混沌时间序列预测中。为了验证该算法的性能，我们做了两项工作，一个是利用相空间的重构理论对混沌时间序列进行了单步与多步的预测，并同文献中的神经网络的预测结果进行了比较分析；另一个是在混沌时间序列中加入不同水平的噪声，并同BP网络及RBF网络的预测结果进行了比较分析。仿真结果表明，用支持向量回归算法进行混沌时间序列的预测能够取得比其他方法更好的效果，具有很好的稳健性及泛化能力。 在研究混沌时间序列预测的基础上，我们结合船舶电力系统的特点，首次对船舶电力负荷预测问题进行研究，建立了基于支持向量机的电力负荷短期预测的模型，应用实际的负荷数据进行仿真试验，实际算例表明，该方法在预测精度和运算时间方面都明显的优于人工神经网络等方法。