随着经济的发展人口的不断增加,以及随之而来人们生活质量的普遍提升,人们对天然气的需求也越来越大。能源危机正影响着人们的生活,天燃气作为绿色能源,蕴藏丰富,可再生,因此被广泛的采用。天燃气成本低无污染,具有很好的发展前景,为了能更加有效的使用和运输天燃气,提高天气的利用效率,必须能够根据本地区天燃气负荷相关影响因子,如天气,温度,节假日,对未来一段时间天燃气负荷预测进行科学有效的预测。能否准确的对当地的燃气负荷进行预测直接影响到当地居民的用电安全以及燃气供应商的利益。虽然在负荷预测领域,电力负荷预测以及太阳能预测已经相当成熟,但是由于能源种类不同,进而影响因素也大不相同,所以不能直接把其他领域内的方法照搬过来。短期燃气负荷样本数据量一般不会较大,影响因素之间往往也存在一定的内在联系,所以一般的负荷预测方法难以达到预测的效果,支持向量机(SVM)是一种人工智能方法,并且具有非常不错的预测性能。而最小二乘支持向量机(LSSVM)是对SVM的一种改进,使用等式约束替代了原算法的非等式约束,进而通过求解线性方程组来达到解决问题的目的,无论是运行时间还是正确率,最小二乘支持向量机算法都有了提高,并进一步推动SVM的发展与应用,因此本文采用LSSVM算法作为燃气负荷预测的理论基础。LSSVM参数的选择对算法的性能起到非常重要的作用,同时也直接影响着最小二乘支持向量机(LSSVM)的泛化性能和回归效验,是确保LSSVM优秀性能的关键。因此本文采用了具有良好优化性能的人工蜂群算法作为LSSVM参数优化算法,紧接着本文通过对燃气负荷影响因子的分析,数据的采集,数据的预处理以及LSSVM与优化算法的结合等一系列步骤,完成了燃气负荷预测仿真实验。为了进一步提高模型的预测精度,本文对人工蜂群算法(ABC)做了进一步的研究与改进,即引入新解越界处理方法,研究了一种基于双种群策略的蜂群算法,同时又提出一种运行时动态参数调整方法。为了验证算法改进的有效性,本文首先对人工蜂群算法的改进进行了单独的对比分析实验。其次,给出了基于改进后的人工蜂群算法的LSSVM燃气负荷预测模型并结合本地区实际燃气负荷数据进行了回归实验。经过实验对比,人工蜂群算法在准确性与健壮性方面均有一定的提升并且本文所采用的方法比传统的人工蜂群算法具有更高的预测精度,同时表明了人工蜂群算法在LSSVM中具有良好的实用性。