精确的预测电力负荷是电力工业中最重要的问题之一。近年来由于中国电力供应紧张,各地一哄而起地建发电厂,造成了不少浪费,精确的预测电力负荷越来越受到关注。实践证明,在电力系统发展日趋复杂的今天,各种传统的负荷预测技术已经越来越难以满足电力部门越来越高的负荷预测精度要求,所以应用新算法进行电力负荷预测,提高负荷预测的精度,具有十分重要的意义。本文首先对负荷预测的意义和研究现状进行了分析,再从电力负荷与负荷预测特性研究入手,充分分析了负荷组成、分类、特点以及作用,讨论了电力负荷预测的基本原理、基本步骤以及影响电力负荷预测精确度的因素。此外还分析了电力负荷预测的模型要求以及预测精度的检验方法。由于负荷预测的非线性,人工神经网络方法在电力负荷预测中扮演了一个关键的角色。支持向量机是在统计学习理论基础上发展而来的一种新的模式识别方法,在解决有限样本,非线性回归及预测问题中表现出许多特有的优势。支持向量机已经成功地用于非线性回归和时间序列问题中,然而却很少的用于电力负荷预测中。本文将支持向量机算法引入到电力负荷预测中,在对统计学习理论和支持向量机算法进行分析的基础上针对支持向量算法的参数选择问题进行了研究。支持向量算法虽然有统计学习理论作为理论基础,其泛化能力在理论上有界,但理论上误差的界太过宽松,实际应用过程中算法的性能依赖于算法参数的选择。在对算法分析研究的基础上,将模拟退火算法用于支持向量机的参数选择,构建了模拟退火支持向量机算法。运用模拟退火支持向量机预测模型,对美国的电力负荷进行了预测,并与自回归移动平均模型和广义回归神经网络模型得到的预测结果进行了对比研究。结果表明本文所建立的模型明显优于广义回归神经网络模型和自回归平滑移动模型。