负荷预测是电力系统安全运行的基础和前提，也是电力部门安排调度计划、供电计划的重要依据。基于电力部门的市场化运行和日新月异的电力负荷需要，使得对短期负荷的预测性能提出了更高的要求。近年来在预测方向有优越表现的支持向量机（Support Vector Machine,SVM）与随机森林回归（Random Forest Regression,RFR）是两种开源算法，针对这两种算法，不同学者对它们预测优越性的比较存在很大争议，所以针对该争议本文对这两种算法的特点和预测性能进行了全面的分析，并提出自己的观点。　　本文首先介绍了有关短期负荷预测研究意义和目的，在对研究现状的阐述中，简单介绍了目前常用的一些短期负荷预测算法的原理和优缺点。其次在介绍负荷影响因素与特点中结合纽约市电力负荷信息进行了实例分析，得出电力负荷的周期性规律并将之应用在实际的预测中。然后对随机森林起源和算法原理进行了详细阐述，在特征变量重要性分析和相关性的分析中对实例分析做了前期准备工作。最后在实例分析中利用纽约市电力负荷和天气信息等数据，将RFR在短期负荷预测领域进行实例应用，并在预测性能的分析中与SVM算法进行全方位的综合比较，同时也提出自己的结论： RFR在短期负荷预测中预测精准度较高，泛化性能较好；在与 SVM的预测性能比较中不能简单的一概而论，要结合训练样本量、特征变量还有待预测日所处时间点的不同进行具体分析。　　通过本文的研究，详细的了解了基于随机森林回归算法的短期负荷预测，并且在之后对于RFR与SVM预测算法的比较中起了基础指导作用。