负荷预测的意义是保证电力系统安全稳定运行。为电网调度、发电机启停等相关工作提供数据支持。随着我国经济实力的进步、工业生产的发展,电力负荷数据日益复杂。负荷预测准确度关系到电网运行的经济性、稳定性,这使得负荷预测在电力系统发展中的地位变得越来越重要,也对负荷预测的准确度提出了更高的要求。支持向量机属于人工神经网络中的一种,有着较高的预测精度,被广泛应用于负荷预测。本文以支持向量机为基础结合群体优化算法组成负荷预测模型进行电力负荷预测:由于支持向量机的泛化能力较强,在预测或者分类问题方面有较高的精度等优势,文章选择其作为负荷预测模型的主体。但由于支持向量机在参数选择调优方面存在困难,选择不当则会影响模型预测精度,文章选择引入群体算法对支持向量机参数进行寻优。群体算法被广泛应用于各种优化问题或者模型求解问题。文章针对负荷预测中群体优化算法的寻优效率问题,引入一种新兴的狼群算法。首先文章选择狼群算法优化支持向量机进行负荷预测。同时分析指出,狼群算法的固有缺点。在头狼召唤过程中使用固定的步长因子,使得聚集过程中的搜索效率不高。本文针对这个问题提出一种自适应步长因子,使得狼群在聚集过程中,搜索成功率更高。在此基础上,还针对粒子群优化算法的缺陷,在传统粒子群算法上引入改进狼群算法中使用的自适应改进思想,将粒子群算法进行改造为自适应粒子群算法并用于支持向量机负荷预测模型。另外还加入包括混沌初始化、差分变异等改进,使得改进后的算法,在搜索前期中期后期都能有较好的效果,且不易陷入局部最优。选择上面所述的两种改进算法,对支持向量机中参数进行优化,得到负荷预测模型,进行负荷预测,并对得到的预测值进行分析。最后通过实例对比自适应狼群算法（AWPA）,未进行改进的狼群算法（WPA）,自适应粒子群（APSO）,未进行改进的粒子群（PSO）优化的SVM的各种模型和未经过任何优化算法优化的SVM的预测结果。实验证明,文章提出的自适应改进思路能更好地优化支持向量机参数并且提高算法负荷预测的预测精度。