分布式光伏发电不断接入和用电负荷持续增加,给电网建设规划和供用电计划编制带来了新的挑战。为了合理规划光伏电站并给配网调控提供数据支持,需要对当前电网进行精准的电力短期预测。分布式光伏发电功率和用电负荷的随机性和间歇性,对光伏发电功率和用电负荷的预测精度提出了更高要求。本文从光伏发电功率和用电负荷两个角度出发,开展了电力短期预测研究。采用最小二乘支持向量机（Least Squares Support Vector Machine,LSSVM）进行建模,利用一种动态自适应的粒子群优化算法（Particle Swarm Optimization,PSO）对LSSVM中的关键参量进行最优搜索,结合电网的历史数据建立预测模型,最终通过实例验证模型的可行性。具体工作如下:针对光伏发电功率及短期负荷历史数据采集存在误差与异常问题,本文运用数据辨识与修正方法,引入K-Means聚类方法对历史数据进行量化筛选。由于正则化参数（C）和核参数（σ）是决定基于径向基函数（RBF）的LSSVM模型精度的关键,为此,本文提出一种动态自适应PSO优化算法,动态调整惯性因子ω、加速因子c1、c2,并引入交叉变异操作扩大种群,对参数（C,σ）进行迭代寻优,通过与传统模型（LSSVM与PSO-LSSVM）相比较,验证算法的有效性和优越性。在光伏发电功率预测方面,首先研究光伏发电功率的特性以及影响光伏发电功率关联因素。其次,为提高预测精度,本文运用K-Means算法与数据预处理方法,对历史数据进行处理分类,获得相应的输入样本集。最后,对丹阳某区域不同天气类型下的光伏发电功率进行仿真预测。实验结果表明,与传统模型（LSSVM与PSO-LSSVM）相比,基于改进的PSO-LSSVM预测模型对发电功率的预测结果更好,精度更高。研究结果为:晴天天气时,预测发电功率的MAE、MAPE、RMSE和r RMSE分别为6.22k W、6.83%、7.11 k W、6.56%;多云天气时,预测发电功率的MAE、MAPE、RMSE和r RMSE分别为7.25 k W、9.45%、8.33 k W、9.32%;雨天天气时,预测发电功率的MAE、MAPE、RMSE和r RMSE分别为8.74 k W、15.42%、9.82 k W、13.32%。在电力负荷短期预测方面,首先深入分析影响用电负荷的因素并研究电力负荷变化特性。其次,通过相似日筛选流程对历史数据进行划分,将训练集划分为工作日与非工作日。最后,基于改进PSO-LSSVM预测模型,对丹阳某区域的工作日与非工作日的用电负荷进行短期预测,实验结果表明,本文提出的模型,预测短期电力负荷的精度比其他两种模型（LSSVM与PSO-LSSVM）更高。研究结果为:基于改进PSO-LSSVM模型,工作日预测电力负荷的MAE、MAPE、RMSE和r RMSE分别为9.75 k W、11.23%、10.35 k W、8.75%;休息日预测电力负荷的MAE、MAPE、RMSE和r RMSE分别为10.58 k W、9.87%、9.88 k W、11.27%。综上,构建的基于动态优化PSO算法的LSSVM模型对光伏发电功率及用电负荷的短期预测是有效可行的;本研究不仅能为江苏省丹阳市的配网供电计划和电网网格化工作提供有效支撑,还能给其他地区的电力短期预测提供参考。