准确的负荷预测对电力系统的规划与运行具有十分重要的意义,但是目前采用的各种负荷预测方法的准确度还不能完全满足系统的要求。目前电力负荷预测的研究多数只是对某个已有预测方法的改进和对新数学方法应用的探讨,对负荷的实际特性和气象因素的影响考虑不够,因此对预测精度的改进有限。目前研究中对气象因素的考虑很粗略,一般是在预测区域的广泛范围内采用同一气象条件,这对供电区域辽阔的大电网是明显不够的。本文根据电力系统运行管理的特点,将电网按地域进行网格划分,建立关于负荷及其影响因素的分层分布式数据仓库,并深入分析气象因素对电力负荷的影响,在此基础上研究基于数据挖掘技术的网格化负荷分析与预测方法,通过对负荷预测算法和预测策略的改进提高负荷预测的准确度。论文主要工作如下:提出了基于分布式数据仓库的网格化负荷与气象敏感度分析思想,并开发了相应的分析软件。通过将大电网按自然区域进行网格划分,构建面向负荷分析与预测主题的分布式数据仓库模型;引入四个综合气象指数详细分析各子网格对应的气象与负荷的相关度和敏感度;根据各地区的负荷气象灵敏度大小加权得出大电网的综合气象指数值,以此为基础预测下一年度负荷与气象指数敏感度变化曲线。提出了基于考虑属性-值对两次信息增益优化的改进决策树挖掘算法的日特征负荷预测方法。该方法用聚类分析和信息熵进行气象属性离散化,可以更客观地考虑气象条件与负荷的关系,将离散化的断点数控制在一个合理的数值;考虑属性-值对两次信息增益优化可以弥补ID3算法的不足,减小树的深度,提高查询速度和查询效率,最终达到提高日特征负荷预测准确率的目的。用负荷预测实例对所提方法进行了测试比较,证明了方法的有效性。提出了一种基于面向粗糙集默认规则挖掘算法的网格化短期负荷预测方法。该方法一方面可以减少因噪声的影响而产生的多余规则,缩小产生的分类规则集,提高规则产生和实际分类的效率;另一方面可以根据地域特点更具体地考虑子网格的气象因素和负荷特性,建立不同的网格负荷预测模型,提高大电网短期负荷预测精度。利用实例对区域网格化和非网格化两种负荷预测方法的预测结果进行了对比,验证了本文所提方法对提高负荷预测精度的有效性。