短期负荷预测是电力系统安全经济运行的前提，随着电力系统的市场化，高质量的负荷预测显得越来越重要和迫切。支持向量机是一类新型的机器学习方法，具有求解速度快、泛化能力强等优点，逐步成为继神经网络之后新的研究热点。本论文将支持向量回归引入电力系统短期负荷预测，以期提高负荷预测的准确性。 针对支持向量回归应用于电力系统短期负荷预测，本文展开了几个方面的研究工作。 1.根据阜阳地区的历史负荷数据和气象数据，分析影响短期负荷预测的各种因素，总结负荷变化的规律性，并对历史负荷数据进行归一化处理，为负荷预测提供有效的样本。 2.总结归纳短期负荷预测的基本理论和预测方法，使用传统支持向量回归的方法进行短期负荷预测。结果发现，与神经网络方法相比，支持向量回归模型具有较好的预测精度，但参数的选择费力、耗时、盲目，且无法实现参数的自动选择，同时输入变量也无法进行有效选择。 3.针对模型无法进行参数和变量最优化的问题，引入遗传算法对支持向量回归的输入变量和参数进行最优化，建立基于遗传算法的支持向量回归预测模型。传统支持向量机模型归结于求解一个带约束的二次规划问题，支持向量回归的输入变量及函数参数选择对模型的性能影响很大。本文研究了如何利用遗传算法实现支持向量回归输入变量的选择及参数变量的优化，并建立了相应的预测模型。仿真结果显示，基于遗传优化的支持向量回归模型具有令人满意的稳定性和预测精度。