La previsión precisa de la demanda de electricidad es crucial para garantizar la sostenibilidad y fiabilidad de los sistemas eléctricos. Los modelos de máquinas de vectores de soporte de mínimos cuadrados (LSSVM) son adecuados para manejar series de carga de energía no lineales complejas. Sin embargo, el parámetro de regularización menos óptimo y la función del núcleo gaussiano en el modelo LSSVM han contribuido a una precisión de pronóstico defectuosa y a una capacidad de generalización aleatoria. Por lo tanto, estos parámetros de LSSVM deben elegirse adecuadamente utilizando algoritmos de optimización inteligentes. Este estudio propone un nuevo modelo híbrido basado en el LSSVM optimizado por el algoritmo de optimización de forrajeo bacteriano mejorado (IBFOA) para prever la carga diaria de electricidad a corto plazo en la Península de Malasia. El IBFOA basado en la ecuación seno coseno aborda las limitaciones de las constantes de quimiotaxis fijas en el algoritmo de optimización de forrajeo bacteriano original (BFOA), mejorando sus capacidades de exploración y explotación. Finalmente, el modelo de previsión de carga basado en LSSVM-IBFOA se construye utilizando el error porcentual absoluto medio (MAPE) como función objetivo. El análisis comparativo demuestra que el modelo alcanza el coeficiente de determinación (R) más alto de 0,9880 y reduce significativamente el valor promedio de MAPE en un 28,36%, 27,72% y 5,47% en comparación con la red neuronal profunda (DNN), LSSVM y LSSVM-BFOA, respectivamente. Además, IBFOA muestra tiempos de convergencia más rápidos en comparación con BFOA, resaltando la practicidad de LSSVM-IBFOA para la previsión de carga a corto plazo.