经济与科技水平的不断提高使人们对用电的要求变得越来越高,而电力系统短期负荷预测技术对确保电力系统安全、稳定、经济运行具有重要的意义。无论在传统电网环境下,还是智能电网的新环境下,高质量的短期负荷预测变得十分迫切,本文提出了一种基于最小二乘支持向量机的电力系统短期负荷预测方法。在短期负荷预测中,负荷的特性是构建负荷预测模型的基础。本文首先通过描绘a地区2016年的日最高负荷、日最低负荷、日峰谷差、日负荷率的电力负荷数据分布图,充分了解电力负荷的特性,并在此基础上建立简单的回归模型,得到了最高温度、最低温度、平均温度、相对湿度、降雨量等气象因素对电力负荷的影响。并对历史负荷数据中的异常数据进行了修正,对电力负荷预测相关的影响因素进行了归一化处理。其次,本文在负荷特性分析、输入样本特征选择和历史数据预处理的基础上,建立了最小二乘支持向量机预测模型。最小二乘支持向量机是一种新的基于统计学习理论的机器学习方法,具有泛化能力强、全局最优和计算速度快等突出优点,已经成功的应用于短期负荷预测领域。最后,为了进一步提高预测精度,针对目前最小二乘支持向量机参数选取方法的缺点,本文采用改进粒子群算法对最小二乘支持向量机算法进行参数选择。改进粒子群算法根据种群多样性信息来指导初始种群的选取,避免了早熟收敛问题。以预测结果的平均相对误差评价预测效果的好坏,并与标准最小二乘支持向量机的预测模型进行比较。通过算例分析,验证了改进粒子群-最小二乘支持向量机模型拥有优良的泛化和全局寻优能力,具有较高的准确性,较好的收敛性以及较快的训练速度。