有效准确的电力负荷预测既是使电网安全、经济运行的有力保障，也为切实解决人民群众最关心、最直接、最现实的用电问题提供了先决服务。因此，对该领域的研究一直是学术界的热点问题。支持向量机（Support Vector Machine，简称SVM）是一种新兴的学习机器，具有较为完备的理论基础和较好的学习性能，成功解决了神经网络难以克服的诸多问题，被称为神经网络的替代算法。因此，本论文将其引入到电力系统的短期负荷预测中来。在研究中本文发现，负荷预测的影响因素有很多，有些因素是可以在特定情况下被去除的。在进行预测时，如果不对众多因素（属性)进行处理，势必会提高预测模型的复杂程度并影响其实现效果，从而导致预测失准等问题。若仅凭经验来对各属性进行约减与提取，则又会因为缺乏依据，导致一些有用的信息被去除，同样会致使预测失准。针对上述问题，本文进行了进一步研究。首先，采用粗糙集的有关理论与方法，对基于支持向量机的电力负荷预测技术进行改进，通过属性约减与特征提取等工作，使得有用的信息被完整保留，无用的信息被基本剔除，在最大限度上减少了外界不良因素对负荷预测系统的干扰。其次，进行算例分析与效果比较，对照改进前后的负荷预测技术在预测效果上的差别，从而验证改进方案的有效性与可行性。通过验证发现，上述改进所得到的新技术确实取得了更加精确的预测效果。通过分析认为，其对解决电力负荷预测这一与企业管理者的决策息息相关的热点问题又提供了一套更加合理的方案。