负荷预测是制订电力系统规划的重要基础,其预测精度与电力系统安全稳定运行密切相关。支持向量机（SVM）是针对负荷预测问题的主流方法,但由于气候、用电习惯等诸多因素影响导致电力负荷情况变得复杂且难以分析,从而使得SVM核函数的选取变得困难,甚至在复杂的电力系统下对任何单一核函数SVM都不适用。本文提出将Stacking集成学习方法应用于负荷预测,为电力系统规划和运行提供可靠的参考。本文总结了SVM、轻量级梯度提升机（LightGBM）、改进人工鱼群算法和集成学习方法的工作原理。分析了不同核函数SVM的特性,提出了一种基于SVM的Stacking集成学习负荷预测方法,选取集成学习中的Stacking方法来融合RBF、Linear、Sigmoid和Poly四种SVM构建Stacking融合模型进行负荷预测,解决了在复杂电力负荷预测中核函数难以选取的问题。在所提方法的基础上研究Stacking集成学习中基模型的融合互补的能力,提出一种改进的Stacking集成学习负荷预测方法,进一步提高了Stacking融合模型的预测精度,通过余弦相似度（Cosine Similarity）算法计算得到相关性较大的Poly核SVM,同时从不同算法原理结构出发对比并采用了LightGBM替代Poly核SVM作为Stacking融合模型的第四种基模型以促进基模型之间的融合互补,有效提高了负荷预测精度。在仿真过程中采用k折—交叉验证的方式训练Stacking融合模型,提高其泛化能力;并且利用改进人工鱼群算法进行参数寻优来提高Stacking融合模型的预测精度,通过引入速度变量来代替步长以提高收敛速度和搜索能力,最后通过对比其他Stacking融合模型验证所提方法的优越性。从更长远的趋势来讲,本文所提Stacking融合模型更适用于大数据时代下愈加复杂多变的电力负荷预测。