中长期电力负荷预测一般是对月度、年度的电量进行预测,是电力部门的基础工作,并为生产、营销计划等的制定提供有利依据。其发展规律受经济、社会、气候等环境因素影响较大,且各个地区之间存在差异,因此具有模糊性。模糊聚类理论能够对该影响作用进行描述,但是本身在预测时仍存在不足。最大限度的发挥模糊聚类的优势并弥补其不足,在理论和实践方面都将有一定的意义。传统中长期模糊聚类预测算法自变量没有进行权重设置、截水平集合元素选取由人工操作、相关因子计算方法单一,针对以上缺点本文提出中长期电力负荷模糊聚类预测改进算法—利用关联度分析计算自变量权重；建立相关因子计算方法库；选取等价矩阵所有元素的去重集合为截水平集合。ARMA(自回归动平均)模型是一种基于时间序列思想的预测模型,能够描述线性的动态过程,其建模序列必须是平稳的时间序列。中长期电力负荷具有明显的发展趋势特征,不是平稳的时间序列,虽然可通过高阶差分消除序列的趋势得到平稳的时间序列,但也消除了原序列的长期特征,造成大量信息损失。针对ARMA模型缺点,本文对其进行了改进并提出中长期电力负荷RARMA(回归-自回归动平均)预测模型,建立回归模型库对负荷序列进行线性拟合,根据拟合残差方差最小原则选择拟合效果最好的回归模型。通过实验得证,残差序列是平稳的时间序列,因此将最佳回归模型的残差序列作为ARMA模型的建模对象,并通过模型识别、参数估计得出残差序列的ARMA预测模型,两者集合得出负荷预测值。进一步研究表明,模糊聚类算法中的环境因素变量符合平稳时间序列特征,用ARMA模型预测环境因素的远景年数据,可以解决模糊聚类算法在环境因素取值方面的不足,据此进一步提出了FRARMA(模糊回归自回归动平均)预测模型。在上述工作基础上,编写了完整的中长期电力负荷预测模糊聚类改进算法、RARMA算法、FRARMA算法,并将其应用于实际中。在“辽宁电力负荷预测系统”中的实际应用研究证明,本文所提出的改进算法在预测精度上高于传统的算法,FRARMA模型较好的解决了模糊预测中环境因素取值的不确定性,在理论上取得了一定的成果,并经系统验证其具有较好的实践价值。