随着电力市场改革的进一步深化以及智能电网(Smart Grids,SG)的蓬勃发展,对智能电网资源的有效管理及合理配置愈显重要。短期负荷预测是智能电网资源和能源管理系统的重要组成部分,而精确的预测模型是实现高精度负荷预测的关键。因此,短期负荷预测的精确建模技术一直以来是此领域研究的重点和难点。本文寻求一种适用于智能电网短期负荷预测的精确建模技术及方法,并就影响短期负荷预测的气象因素给出了一种普遍适用的解决方案。本文在研究在线支持向量回归(On-line Support Vector Regression,OSVR)与分析气象因素对短期负荷预测(Short-term Load Forecasting,STLF)的影响基础上,提出了在线支持向量回归与Fisher信息(Fisher Information,FI)气象因素处理以及特征选取(Features Selection,FS)的动态建模方法。所做的主要工作如下:首先,鉴于目前应用较为广泛的支持向量回归(Support Vector Regression,SVR)模型和BP神经网络的STLF方法均采用离线的学习算法,而离线样本不能完全反映系统当前的特征进而导致预测模型性能的退化,本文在SVR模型的KKT(Karush Kuhn Tucker)条件基础上推导出在线SVR算法,从而达到在线更新SVR模型,无需进行反复的离线训练,显著改善了模型预测的精度和效率。其次,考虑到气象因素对短期负荷预测的影响,本文给出了基于Fisher信息理论的气象因素处理方法。通过计算历史气象因素的Fisher值来对当前气象因素及气象综合指数进行加权处理较好地解决了气象因素对负荷预测影响的实时效应和累积效应。此外,预测模型的输入特征量的选择是短期负荷预测(STLF)精确建模中另一个需要重点考虑的问题,长期以来未得到很好的解决。本文采用Fisher信息理论对预测模型的输入量进行选择,取得了预期的效果,减少了模型输入量、提高了预测精度、改善了预测速度。最后,将经过Fisher信息处理过的特征输入量分别输入到支持向量回归(SVR)、最小二乘支持向量回归(Least Squares Support Vector Regression,LSSVR)和本文所提出的在线支持向量回归(OSVR)这三种预测模型中,数值实验结果表明,基于Fisher信息的在线支持向量回归模型具有更高的预测精度,更适用于短期负荷预测尤其是超短期负荷预测。