电力负荷是反映经济运行趋势的重要“晴雨表”。随着电力系统智能化程度提高,电力负荷数据逐渐呈现出异构多源、体量巨大、时效性强等典型特点。电力负荷异常检测及数据修复是实现电力负荷应用的首要条件,在电网信息化建设进程中十分重要。本文以电力负荷数据为基础研究对象,以提高负荷数据的异常检测准确率和数据修复精度为研究目标,提出了两种电力负荷数据异常检测方法以及一种数据修复方法,主要研究工作如下:（1）基于多尺度特征融合与AP-LOF模型的电力负荷数据异常检测方法针对电力负荷数据非线性、维度高、时间耦合性强等特点,提出一种基于多尺度特征融合与AP-LOF（Affinity Propagation and Local Outlier Factor）模型的电力负荷数据异常检测方法。首先,提取了电力负荷曲线变动性、波动性、趋势性特征对原始高维数据进行表征,以挖掘电力负荷内在模式信息。其次,基于堆叠型自编码器（Stacked Auto-Encoder,SAE）将有效特征融合精炼,进一步降低计算开销。最后,在局部异常因子（Local Outlier Factor,LOF）的基础上,引入近邻传播（Affinity Propagation,AP）算法更新融合特征的隶属度及吸引度矩阵,将所有待检测数据划分为多个簇。通过簇心计算LOF,使其具有更为稳定的异常判定阈值。实验结果表明,基于多尺度特征融合与AP-LOF模型的负荷异常检测方法在ECMC公开数据集上的AUC值达到0.986。与孤立森林、一类支持向量机等常规异常检测方法对比,本方法具有更高的检测精度。（2）基于DCE-LAE的电力负荷数据异常检测方法常规异常检测方法精度低、计算开销大、特征工程与异常检测任务分离等问题严重制约了电力负荷领域的工程应用。为此,构建一种基于深度卷积嵌入长短期记忆编码器（Deep Convolution Embedded LSTM Auto-Encoder,DCE-LAE）的无监督深度学习模型,并应用于电力负荷数据异常检测。自编码器（Auto-Encoder,AE）聚焦于非线性特征,长短期记忆网络（Long-Short Term Memory,LSTM）则更关注一维时序特征。将LSTM融入AE架构使网络在保留全局上下文信息的同时,有效提升了网络对深度信息的捕获。此外,将深度卷积网络（Deep Convolutional Network,DCN）嵌入至该架构中提高感受野,以提取更多负荷序列特征。最后,将KL散度（Kullback-Leibler Divergence,KLD）作为嵌入卷积损失并与模型重构损失相结合联合优化,削减嵌入微调对重构空间的扭曲,进一步提高结果的可靠性。实例仿真通过与不同方法对比,结果表明DCE-LAE异常检测的查准率、查全率和F1分数为98.9%、97.2%、98.0%,均优于SAE和LAE等检测模型。在电力负荷的时序重构性能上,DCE-LAE的MAE、MAPE、RMSE值分别为94.78、1.95%、104.18,相较其它模型均有不同程度提高,从而验证了该方法在负荷异常检测及时序重构能力方面的适应性与有效性。（3）基于IBAS-RBF的电力负荷数据异常修复方法针对传统方法电力负荷数据异常修复精度低和鲁棒性不强等问题,提出一种利用改进天牛须搜索算法（Improved Beetle Antennae Search,IBAS）对径向基核函数神经网络（Radial Basis Function Kernel Neural Network,RBF）参数进行优化的电力负荷数据异常修复方法。IBAS结合变步长因子和模拟退火技术,以非线性递减策略限制搜索步长,维持较高全局搜索能力,同时防止较快收敛与局部最优。此外,构建了IBAS-RBF模型对电力负荷的单点及连续点异常进行修复,并用质量评估指标对修复前后的数据质量进行动态评估。实验结果表明,经过IBAS-RBF对电力负荷数据修复,消除了电力负荷的极值异常,提升了负荷序列的时间相似性与空间一致性,准确性和一致性分别提高了8.2%和7.9%;修复了电力负荷的连续点异常,使得轨迹更加平滑,变化趋势更加明显,趋势性和有效性分别提升了6.3%和1.7%。