空间负荷预测(spatial load forecasting,SLF)是对规划区域内电力负荷时空特性的预测,是一个涉及因素多、不确定性高的复杂问题,既要预测出未来负荷的幅值大小,还要考虑到未来负荷的空间分布。SLF结果的准确性对电力系统规划具有重要的指导意义。在SLF领域中,为了提高预测精度,通常对预测方法进行研究,进而忽略了负荷数据预处理对预测精度的影响,对负荷数据预处理方法的提出和改进也缺少科学严谨的阐述。在SLF过程中,一般只使用各元胞单位时间内众多负荷数据中的一个最大值,但是,由于存在众多偶然因素会对元胞负荷最大值产生影响,如果直接使用受影响后的元胞负荷最大值进行SLF,就会导致预测精度降低。所以,SLF中对负荷数据预处理的研究也是非常重要的。本文首先对SLF及数据预处理研究现状进行了详细的介绍;其次,在电力地理信息系统环境中根据供电范围生成元胞并获取元胞负荷,在对各元胞负荷波动特性和差异性分析的基础上,将元胞负荷中的所有异常数据划分为四类,并建立含异常数据的元胞负荷的分类指标体系;再次,将核密度估计理论引入到SLF中,提出一种确定元胞负荷最大值的核密度估计法,该方法计算了含异常数据的元胞负荷的核密度估计曲线,并通过截断核密度估计曲线尾部面积获取元胞负荷合理最大值,分别构建对各类含异常数据的元胞负荷核密度估计曲线进行截尾所需随动门限的计算模型,实现了随动截尾,并对含负荷转移类异常数据的元胞负荷进行多场景分析。另外,针对以往低维空间元胞负荷数据特征显示不清晰的问题,结合相空间重构理论,将低维数据映射到高维空间,从而更好地反映出各类含异常数据元胞负荷的特征,借助具有噪声的基于密度的聚类方法(density-based spatial clustering of applications with noise,DBSCAN),对重构结果进行聚类,完成对异常数据的辨识和剔除,提出一种基于相空间重构和DBSCAN确定元胞负荷最大值的方法。最后,将两种方法确定的元胞负荷最大值利用传统的SLF方法进行预测,通过实例分析验证了两种方法的有效性,并且使用核密度估计法确定的元胞负荷最大值更合理。