在电网运行调度中,短到几小时至几天的负荷预测为电力系统对电能的调度、供电计划、安全监测、预防及机组优化等提供重要依据,其预测精度的高低与电力系统安全、经济运行和供电质量直接相关。因此短期负荷预测技术质量的提高对制定最优运行方式、维持电力系统安全和经济运行尤为重要,精准的负荷预测有利于电力系统更加安全、经济的运行,有利于电能质量控制,从而进一步提高电网运行的经济效益和社会效益。本文详细研究了国内外关于短期负荷预测的研究现状,总结了预测的常用方法及优缺点,分析了短期负荷预测原理、特点及其影响因素。利用甘肃省中东部某地区的历史负荷数据及气象数据,分析各因素对预测的影响;在统计学理论基础上,介绍了支持向量机(SVM)基本原理,进而研究了支持向量机的改进方法—最小二乘支持向量机(LS-SVM)相关理论知识,通过对错误和缺失的历史负荷数据进行修正并对影响负荷预测相关因素进行了归一化处理,建立LS-SVM模型对不同日期类型负荷进行预测,比对分析误差原因;针对LS-SVM在建模的过程中因基于经验选取参数而导致预测的误差较大的问题,引入粒子群优化算法(PSO),对模型参数进行寻优,实现了SVM参数的自动优化选取,从而建立基于PSO算法的LSSVM短期负荷预测模型。最后,采集甘肃省中东部某地区实际负荷数据,对数据预处理后结合预测模型进行仿真,对比分析两种预测方法预测值与实际值的误差,结果表明,建立的基于粒子群优化的最小二乘支持向量机短期负荷预测模型,可达到模型参数最优化选择的目的,从而提高了预测精度,最终验证了本文所采用的预测方法具有收敛性好、预测精度较高、训练速度较快的良好优势。该方法可应用于电力系统短期预测系统中,并对预测区域的中长期电力负荷变化规律进行总结。