电力系统的安全调度、经济的运转离不开短期负荷预测，负荷预测为其提供的重要依据，负荷预测精度会对电力系统的运作的可靠性、经济性与它的供电质量产生直接的影响。所以，最大幅度的提升预测精确度，寻找适合的负荷预测方法有很大的价值。　　在论文里首先叙述了目前负荷预测的应用研究现状，总结概括了负荷预测的特征及其影响因素，归纳了短期负荷预测的常用方法，同时剖析了不同方法的优缺点；然后介绍了作为支持向量机（SVM)理论基础的统计学理论和SVM的原理，推导出了SVM的回归模型；论文利用最小二乘支持向量机（LSSVM)模型，利用某地区的气象数据和负荷数据，剖析了影响预测的多种因素，概括总结了负荷变化的规律性，　　对历史负荷数据中的"异常数据”进行修正，对负荷预测中要考虑的相关因素进行了归一化处理。 LS-SVM中的两个参数对模型具有很大的影响，然而目前的解决办法仍然是基于经验。对此，本文中采用粒子群优化算法对模型参数进行寻优，把测试集误差作为决断的依据，实现模型参数的最优化选择，使预测精度有所提高。实际算例表明，本文的预测方法收敛性好、有较高的预测精度和较快的训练速度。