电力系统负荷预测是电力系统运行、控制和规划不可缺少的一部分，是电力市场技术支持系统的基础。 支持向量机(Support Vector Machine，简称SVM)是基于统计学习理论的一种新的机器学习技术。由于采用了结构风险最小化原则替代经验风险最小化原则，使它较好的解决了小样本学习的问题。正因为SVM理论有较为完备的理论基础和较好的学习性能，使得它成为继神经网络研究之后新的研究热点。 本文针对支持向量机应用于电力系统短期负荷预测展开了几个方面的研究工作。 1．将小波变换模极大值法应用到负荷数据异常值的检测中。历史负荷数据是预测的基础，由于异常数据的存在将掩盖信号的真实性，影响预测的精度，所以必须进行数据的预处理。本文应用小波变换模极大值法检测出信号的局部奇异性，从而剔除异常数据，达到数据预处理的目的。 2．研究了一种基于自适应加权最小二乘支持向量机(Adaptive Weighed leastsquares support vector machine．AWLS-SVM)的短期负荷预测方法。针对不同的样本，对支持向量机的参数赋予不同的权重，突出了各个样本在训练过程中贡献不同的特性。并用自适应参数优化法来整定支持向量机的参数，减少了参数选择的盲目性。通过仿真表明，与支持向量机方法相比，自适应加权支持向量机方法具有更高的预测精度。 3．研究了小波变换和优化加权最小二乘支持向量机混合模型进行电力系统短期负荷预测的方法。首先基于小波多分辨率分析方法将负荷序列分解成具有不同频率特征的序列，然后根据分解后各分量的特点构造不同的加权最小二乘支持向量机模型对各分量分别进行预测，最后对各分量预测信号进行重构得到最终预测结果，实例预测结果证明了该方法的有效性。