准确的负荷预测是保证电力系统经济、安全、可靠运行的基础,对于供电部门,拟定合理的发电计划,安排机组的启停有着重要性作用。负荷预测的关键性问题是预测模型以及模型参数的选取。本文在进行短期负荷预测时提出了一种基于改进果蝇算法(modified fruit fly optimization algorithm, MFOA)优化支持向量机(support vector machines, SVM)的预测模型。支持向量机有较好的推广能力和非线性处理能力,且能有效的解决小样本问题,但支持向量机模型的参数选取不当可能会出现过学习或欠学习现象,严重影响支持向量机的学习和泛化能力。果蝇算法具有很好的全局寻优能力,可用于支持向量机的参数优化,但该算法在寻优过程中容易陷入局部最优解,本文对其进行改进,用改进后的果蝇算法来优化支持向量机,并完成对支持向量机模型参数的自动优化选取。在进行预测时,综合考虑了日最高气温、日最低气温、降雨量、日期类型以及负荷变化的趋势,采用相似日法来选取数据样本集。在选取相似日时,综合考虑日特征相似度和趋势相似度。然后以广西某地区的数据为例,通过对一天96点负荷进行预测,并且与改进前的果蝇算法优化的支持向量机模型和果蝇算法优化的广义回归神经网络模型的预测结果进行比较分析,证明了本文所提方法的可行性,同时证明该方法的预测精度要优于其他两种。最后针对普通日和节假日分别进行预测,预测结果进一步证明了本文提出方法的有效性。