随着我国电力行业的蓬勃发展,电网管理技术的日趋进步,关于电力系统负荷预测问题的研究也引起了人们愈来愈多的关注。如何有效地进行电力负荷预测,已经成为现代电力系统研究中的重要课题之一。本文主要针对电力系统短期负荷预测进行研究与探讨。建立在统计学习理论基础上的支持向量机(SVM)不仅具有结构简单的优点,而且推广能力较传统模型有显著提高,因此能够很好的解决实际应用中小样本学习问题。目前关于SVM的理论研究和实际应用都处于快速发展阶段,成为机器学习领域的研究热点。本文所做的工作主要包括如下几个方面:(1)本文首先对电力负荷预测和SVM的研究现状进行综述,并简单介绍了目前具有代表性的电力负荷预测模型,接着对支持向量回归(SVR)相关理论进行详细的描述。(2)支持向量回归在实际应用中存在两大难点,即特征选择和参数的优化。本文针对这两大难点,设计了一种新的基于GA-IPSO的SVR预测模型,目的是获得更好的学习性能与预测精度。该模型的主要设计思路为:①特征选择:基于遗传算法的特征选择方法;②参数的优化:本文对基本PSO算法进行改进,并将该改进算法用于SVR的参数优化。(3)考虑到广义自回归条件异方差(GARCH)模型适应于波动性的分析和预测以及SVR模型具有良好的泛化能力的特性,本文提出一种SVR与GARCH模型相结合的新组合预测模型,旨在提高模型的预测精度。在此基础上,本文给出仿真实例。通过对仿真结果的分析,验证本文所构建模型的有效性。