随着智能电网的建设,为保障电网的安全经济运行,对提高短期负荷预测速度和精度都提出了更高的要求。以一个年用电量290亿千瓦时的中等城市为例,如果预测精度提高1%,每年可提高收益1.45亿元。目前负荷预测的方法想要提高精度困难较大,而且通用性较差,原因是对负荷特性考虑的不够全面。风速等不确定性极强的因素用在预测上的精度不高,所以利用率一直不高。而在大量使用智能算法的同时预测效率也在逐渐降低。本文主要利用云模型解决不确定性问题以提高预测效率,同时用云计算技术提高运算效率,最后通过实际数据进行仿真验证。本文首先从细化负荷样本和历史数据入手,针对短期负荷预测的特点,通过各因子与负荷数据的相关性分析来评价各因子对于负荷预测的影响,从中选取最合适的影响因素作为训练样本。并对气温的积累效应进行了深入的研究,引入了错位样本概念,将其加入到训练样本中提高了预测精度。研究并验证了云模型优化LSSVM在负荷预测中的可行性。通过分析得出云模型优化LSSVM至少能把不确定性问题的预测精度提高两个百分点,但对确定性问题的处理就略有欠缺。本文建立了一个组合预测模型,通过不确定性判定将影响因素分为不确定性和确定性,用云模型优化LSSVM以提高不确定性因素的预测精度,用粒子群优化LSSVM方法提高确定性因素的预测精度,通过加权计算得到最终的预测结果。最后通过云计算技术解决复杂模型带来的运行时间长和维数灾难等问题,提高负荷预测的效率。本文以浙江省诸暨市的负荷数据和气象数据为实例进行仿真验证,实验结果表明基于云计算的组合预测模型在大大提高负荷预测精度的同时还节省了运算时间提高了预测效率。