电力是现代社会发展的命脉,是经济发展、人民生活和社会稳定的基本保障。电能具有不易存储的特点,要保证电网的稳定运行,必须使电网发电侧和负荷侧保持实时功率平衡,这就需要精确预测未来电量需求,为制定发电计划提供数据支持。然而,随着清洁能源大量接入电网,以及电动汽车数量的逐年增加,电网的复杂性和不确定性程度日益加深,对传统电力负荷预测模型提出了挑战。因此,提高电力负荷预测精度,可以减少不必要的发电,提高能源利用效率,进而降低电网运行成本,具有巨大的经济效益。深度学习作为一种端到端的特征学习模型,能够通过多层非线性变换实现对复杂数据的建模,已在诸多领域中得到了广泛的应用。基于深度学习方法开展电力负荷数据的特征学习,有望提高电力负荷预测精度,满足当前电力系统需求,是当前的一个研究热点。本文针对电力负荷模式识别和电力负荷预测需求,考虑电力负荷数据不平衡、周期性的特点,结合聚类和时间序列特征学习方法,主要开展的研究工作有:（1）提出一种基于不平衡数据聚类的电力负荷模式识别算法。在传统模糊c均值算法的基础上,利用模糊度矩阵量化聚类尺寸,并用其归一化传统算法的目标函数,进而推导出聚类中心和隶属度矩阵的更新公式。实验结果表明,所提算法能够从历史负荷数据集中识别出节假日的负荷模式,与同类算法相比,在多个聚类有效性评价指标上更优。利用多种回归模型进行负荷预测,与传统聚类算法相比,提高了对节假日的负荷预测效果。（2）建立一种基于聚类和周期增强LSTM的电力负荷预测模型。首先,利用不平衡数据聚类算法对历史数据集进行聚类分析,得到若干种典型负荷模式。其次,分别为每种负荷模式建立预测模型,考虑负荷序列的周期性特点,通过将输入序列中与待测时刻同周期的负荷值和LSTM网络的输出串联,构建出全连接层,输出负荷预测结果。实验结果表明,利用待测时刻前24小时的负荷和温度序列进行负荷预测,取得了比传统LSTM 网络和其他负荷预测模型更好的预测效果,在常用的北美电力数据集上的 MAPE 值为 1.51%。（3）建立一种基于周期增强Informer的电力负荷预测模型。将输入序列中的周期负荷值与传统Informer模型的输出串联构建一个全连接层,结合卷积神经网络,同时学习长序列中的时序特征、局部特征和周期特征,从而克服了传统Informer模型中概率稀疏自注意力机制对周期特征的丢失问题。实验结果表明,以待测时刻前1周的负荷和温度序列作为输入,进一步提高了负荷预测精度,在北美电力数据集上的MAPE值降低至1.15%。（4）开发一种联合LSTM和注意力机制的电力负荷概率预测模型。首先,分别以不同随机初值运行周期增强Informer模型,得到一组负荷预测结果,以其方差作为模型的不确定性。其次,计算负荷均值与真实值之间的差的平方,利用基于注意力机制的LSTM网络拟合与输入序列之间的关系,建立数据不确定性估计模型。最后,以模型不确定性和数据不确定的和作为负荷不确定性的估计结果,利用标准正态分布临界值确定不同置信度下的负荷上界和下界。实验结果表明,所提模型在多种指标上均优于传统Informer模型和其他同类模型。综上,本文结合电力数据特点和深度学习方法,开展了电力负荷模式识别算法和预测模型研究,取得了良好的效果。