电力负荷是电力系统的重要组成部分,对电力系统的稳定运行具有重要影响。随着对电力负荷研究的深入,负荷的数学模型已较为成熟,但由于负荷自身的复杂性使得模型参数的获取变得困难,而参数准确程度又直接影响了负荷模型的有效性,因此研究负荷模型的参数辨识具有重要意义。本文分析了电力系统静态和动态负荷模型,运用时域仿真法对感应电机启动、平稳运行中受扰动的暂态过程进行数值仿真,结果证明了所采用数学模型和数值算法的正确性。针对线性递减惯性权重和收缩因子粒子群算法存在“早熟”和遍历性不足的问题,提出了一种基于S型惯性权重的变异粒子群算法。通过多个标准测试函数对改进算法进行综合测试,验证了该算法具有收敛速度快和搜索精度高的优点,适用于负荷模型的参数辨识。其次,分析了幂函数和二项式形式的静态负荷模型结构特点,指出二项式模型参数辨识结果不唯一的原因。然后基于实测负荷数据对此进行验证,得出辨识结果是否唯一与模型结构有关的结论。以此为依据,选择幂函数模型作为负荷静态模型,并基于改进粒子群算法对其进行参数辨识。通过将静态模型对实际负荷突变情况进行拟合,证明了静态负荷模型描述性能的局限性。最后,对动态模型进行初始状态求解,运用四阶龙格-库塔法推导模型的迭代方程,结合改进粒子群算法设计出动态模型参数辨识的仿真步骤,并基于实测数据辨识模型参数。辨识结果表明S型惯性权重变异粒子群算法的拟合数据更接近于实测数据。与常规方法相比,改进算法具有更好的收敛速度和辨识精度,是一种较有效的辨识方法,适用于电力负荷模型的参数辨识。