负荷预测为智能电网的运行提供了可靠的理论支撑,它是基于历史数据进行规律总结与拓展,对未来数据的一个定性合理推测。但是随着发展的步伐数据也变得更加庞杂,传统的负荷预测方法已不能再满足要求。拥有自学习的人工神经以及组合算法为电力系统中算法的匮乏雪中送炭。但算法的理论依据不同产生的预测精度就会有差异,海量的数据也使计算复杂度增加,在一定程度上减缓了算法的计算速度。因此,研究如何提升计算速度以及拥有更优的预测精度成为了时代热议话题。基于影响负荷的多重因素以及负荷特点,本文提出了一种改进LSSVM训练的RBF神经网络预测模型。本文中的主要工作有:(1)基于负荷数据的特点分析以及负荷影响因素的判断,利用灰色关联度算法进行实时数据的关联性系数计算,依据大小确定预测模型的输入变量。该方法很好的筛选了能够影响负荷数据的因素,在一定程度上减少了数据的复杂性。同时也利用该方法对输入的数据进行了相似度的划分,得到预测模型的训练样本集。(2)提出混沌蚁群算法优化LSSVM。LSSVM算法具有良好的泛化能力与寻优能力,但是其参数的设置往往都是通过人工经验输入,注入过多的主观性。针对这种情况,结合混沌蚁群算法较优的组合搜索能力,将其应用到LSSVM的参数寻优中。首先基于蚂蚁行为的混沌性将混沌理论引入到蚁群算法中,然后将LSSVM的组合参数作为蚂蚁的位置,构造目标函数,利用群间的沟通能力交换最优位置的信息,直到达到最优值或到达设定次数。使其不易陷入局部最优,提升预测模型的性能。(3)基于RBF神经网络与LSSVM的相似性,提出利用LSSVM输出回归机确定RBF神经网络的训练模型。RBF神经网络的性能是由参数设定与中心函数来共同决定的。经过LSSVM训练过后会输出回归机。由最优回归机确定RBF神经网络的参数设计与机构设计,使RBF神经网络的网络结构有着更好的结构模型。最后,使用MATLAB对本文提出的优化算法进行实时数据的模拟仿真,仿真结果表明,与传统的LSSVM或RBF神经网络相比,本文改进的LSSVM对RBF神经网络的训练,有着更高的负荷预测的精度与更快的计算速度,在仿真平台进行了实时数据的对比进行结果的误差对比。