电力系统负荷预测水平作为衡量电力系统运行管理的重要方式之一,其预测结果受多重因素的影响,目前电力系统中短期负荷预测是实现电网与供电企业参与到市场竞争的重要举措,其目的是为了提升电力行业中的经济效益和社会效益,同时为了确保在安全稳定的基础上降低电网费用,就需要负荷预测的精准度达到最高,但是传统的负荷预测方法往往在预测的精度上很难达到要求,因此,对于预测方法的研究成为了学者研究的热点。本文采用一种基于EMD(经验模态分解法)与SVM(支持向量机)相结合的短期电力负荷预测模型用以解决负荷预测的精度问题。本文首先对短期电力负荷预测的研究背景和意义进行简单的描述,阐述了国内外的研究现状,并分析电力负荷的特点和流程,对于电力负荷不确定性,条件性,时间性和多方案性的特点,本文采用了支持向量机模型进行预测。支持向量机可以有效兼容模型的复杂性和自我学习能力,与其他方法相比,其具有较好的泛化能力,并且该方法收敛性较强、可调参数相对较少,无需过多的实验数据的。本文在传统向量机的基础之上,采用了最小二乘支持向量机模型,其在电力负荷预测上有着更好的表现。其次对于支持向量机核函数当中参数?和C的选取,本文采用PSO(粒子群算法)对其进行参数优化,并且对PSO分别从拓扑结构和算法参数两个方面进行了改进。在拓扑结构方面,本文对于粒子群初始种群的选取上提出了粒距标准差,对于最优参考值采取本群体周围粒子群体最优值的平均值来进行参考,在判断早熟收敛上设定了适应度方差;在算法参数方面,本文提出了一种动态的权重惯量值。在以上改进的基础上本文建立了改进PSO优化的SVM模型,并用实例进行验证,对比分析得出该模型在短期电力负荷预测上有更优异的表现。针对于电力负荷数据的不稳定性,周期性不明显等特点,本文改进粒子群算法支持向量机的基础上引入了EMD分解法,其通过将复杂的原始信号进行特征提取拆分,能够将复杂、不平稳的负荷信号拆分成相对平稳的分解信号,更有利于对负荷数据进行预测处理。结合之前提出的改进PSO-SVM模型,建立了EMD和改进PSO-SVM相结合的模型,并用实例验证,将结果与未结合EMD的改进PSO-SVM模型进行对比,预测结果证明了引入EMD分解法后,预测的精度得到很大的提升。为了更好地反映其应用性,又将结合的方法和其他现在主流的预测方法进行预测结果对比,得出该方法有更精准并且有良好的可行性。