电力负荷的精准预测是保障电力系统高效稳定、智能经济运行的重要基础。支持向量机（support vector machine,SVM）作为一种良好的预测工具,被广泛应用于电力负荷预测。智能电网环境下,用户用电模式的复杂性和电力负荷波动增加,传统、单一的负荷预测模型的预测结果不再准确。本文在已有样本特征基础上,通过新引入实时电价作为电力负荷的样本特征,从数据分解、特征选择、参数优化等方面对传统的SVM预测模型进行改进。首先,回顾了电力负荷预测领域已有的研究以及涉及的相关要素,并介绍了本文的理论基础;其次,在样本特征中引入实时电价,并通过加权灰色关联投影（the weighted gray relation projection,WGRP）算法选取待预测节假日的历史负荷序列,同时采用一种二阶振荡和带斥力因子的改进粒子群（particle swarm optimization with second-order oscillation and repulsive force factor,Sec RPSO）算法优化SVM模型的参数;之后,在预测模型中新加入特征选择方法,通过最大关联最小冗余（minimal redundancy maximal relevance,m RMR）选取样本特征;最后,经验模态分解（empirical mode decomposition,EMD）作为数据分解方法被引入预测模型中,由此构建了一种同时考虑数据分解、特征选择和参数优化的新型混合负荷预测模型。在实验仿真部分,基于新加坡电力市场的实际数据设计对比实验验证模型在数据分解、特征选择、参数优化等方面的优越性。结果表明:（1）引入实时电价作为样本特征,并通过WGRP算法选取待预测节假日的历史负荷序列,使得样本特征的选取更加合理,同时提高了预测精度;（2）Sec RPSO算法在参数优化方面表现优异,优于遗传算法;（3）基于m RMR方法选取的样本特征包含丰富的信息且各样本特征间的冗余最小;（4）通过EMD对原始负荷数据进行分解,在降低运算复杂度的同时提高了预测准确性。综上可知,本文在数据分解、特征选择和参数优化等方面的改进是有效的,所建立的预测模型具有更好的精确性和可行性。