电网规划是电网建设的基础,而电力系统负荷预测是电网规划的基础。电力系统负荷预测是实现配电网规划的重要前提,是实现发电、经济调度自动化的基础。电力系统负荷预测也是保证电网管理系统安全性、稳定性、可靠性、经济性的保障。在加快建设“资源节约型、环境友好型社会”的紧迫要求下,电力系统负荷预测正发挥着越来越重要的作用。文章在分析负荷预测背景及意义的基础上,结合当前的研究现状,对目前电力系统负荷预测存在的问题进行了阐述。围绕着电力系统负荷预测的缺失数据填充、数据降维、多重共线性辨识及处理、离散数据辨识及处理等问题进行了分析与研究,具体工作如下:电力系统负荷预测往往是以小数据、不确定性系统为研究对象。应用传统灰色预测模型的改进模型OGM(1,N),通过对样本数据中有价值信息的挖掘,实现对系统运行趋势的预估。针对传统灰色理论背景值系数的取值缺陷,提出了一种基于混沌映射的混合算法CPG。应用迭代矩阵谱半径法证明了CPG算法的收敛性,并提出了判断CPG算法收敛的充分条件。最终得到优化背景值系数的改进OGM(1,N)模型COGM(1,N)模型。由于记录人员变动以及数据保管部门疏乎等原因,样本数据往往是部分缺失的。考虑到电力系统负荷预测问题本身就是基于小样本建模,因此如果建模数据有缺失尤其是样本集后部数据缺失,会导致所建立的模型不能很好地预测电力负荷的发展趋势。文章在分析传统缺失数据填补方法的基础上,采用三次样条插值法对缺失数据进行填充。样本数据中存在多重共线性往往会对预测模型的精度产生很大影响,文章对阜新地区电网生产经营综合情况统计数据进行了多重共线性检验,证明了样本数据中确实存在多重共线性问题。针对这一问题分别提出了基于逐步回归法以及基于岭回归法的多重共线性滤波器并应用于OGM(1,N)模型。仿真结果表明采用逐步岭回归法的OGM(1,N)模型不但起到了信号降维的作用,而且模型精度是所提出多重共线性处理模型中最高的。样本数据是负荷预测的基础,样本数据准确与否将直接对预测结果的精度产生影响。通常将负荷值明显高于其历史发展趋势的值称为离散数据。文章在分析了离散数据产生的原因、离散数据的辩识方法、传统离散数据处理方法弊端的基础上,提出了基于最小均方估计(LMS)与逐步回归法为核心的自适应滤波器,并应用在OGM(1,N)模型上。仿真结果表明采用基于逐步回归LMS自适应滤波器的OGM(1,N)模型对离散数据的干扰有很强的鲁棒性。应用提出的模型对阜新地区电网进行远景规划,作为所提出模型的应用实例。通过潮流计算验证了电网规划的合理性;通过短路电流计算对所规划的电网提出了一些建议。