现代电力的发展不断对经济性、安全性、可靠性提出更高的要求。为了更加快速准确的判断电网运行状态和电力设备运行状态,利用好历史数据,结合数据挖掘技术对电力系统状态进行预测,是保证系统安全可靠运行的重要措施,也是当下科技发展的必然趋势。本文基于这一思想,提出了一种基于邻域粗糙集和蝙蝠算法优化的支持向量回归预测法。支持向量回归机在电网诸多领域都有应用,所以对电网数据可以说有着较强的挖掘能力。但是该算法本身对于大规模数据的处理能力是有局限性的,尤其体现在速度和精度上。所以本文提出改进,通过邻域粗糙集的思想进行数据降维,提取特征信息,过滤不良数据,解决支持向量回归机关于大规模训练样本的问题;利用蝙蝠算法实现不同情况下根据约简出来的特征信息进行参数寻优,让支持向量回归机的预测效果达到最优。关于电力系统状态估计这一领域,首先通过仿真实验验证了改进支持向量回归法在速度和精度上的优势;然后针对三种含不同类型的不良数据情况,对预测效果进行仿真考察,并将预测结果作为伪量测信息加入状态估计当中,均能有效恢复量测冗余度,并大幅削弱不良数据对状态估计精度的影响。关于电力设备状态估计这一领域,以发电机为例,根据发电厂数据,对其主要发生的四种故障状况和正常运行状态进行预测模型的训练,同时对比故障日志,验证了该预测技术在这一领域的有效性。紧接着,针对随机提取的数据样本,能够通过前期的训练模型将其准确分类,并且预测后续5个时刻的设备运行状态数据,有着较高精度。