随着智能电网的迅速发展,电网的信息化和智能化程度越来越高,电网依靠成熟的测量技术和传感器技术部署了大量的智能电表,使得数据获取的方式越来越便捷。与此同时,电网产生的这些数据不仅数据量巨大而且结构复杂,使得电力公司对这些数据采集、存储、处理和分析越来越困难。另外,随着我国经济的快速发展,城市电力负荷预测的准确度也越来越重要,虽然电网能提供更加丰富的训练数据来提高预测模型的精度,但随着数据量和数据维度的增加,模型训练所消耗的时间和模型的复杂度也会急剧增加。因此,研究大数据技术和人工智能技术在电网负荷预测中应用,让电网更好的服务于大众,具有重要的现实意义和应用价值。本文针对城市电力负荷预测方法进行了研究,设计了一套负荷预测系统来实现对电网中海量数据进行采集、存储和分析。主要研究内容如下:首先,以某一具体城市的历史电力负荷数据为基础,通过绘制负荷的特性图来分析电力负荷的特点和影响因素,根据分析结果编写网络爬虫程序去获取与负荷相关的数据以及使用数据分析工具来分析和处理收集的数据。数据收集和处理的主要目的是为后续预测模型训练提供选择真实度高、可用性高的数据。其次,研究随机森林算法原理和Spark的工作原理,设计了基于Spark平台的并行随机森林算法来提高模型训练效率。同时,对设计的算法有效性进行评估,评估过程中在多种场景下进行,实验结果证明了并行算法的有效性。最后,研究了Kafka、Flume、HDFS、Spark和Zookeeper等大数据处理工具,将这些工具的功能集成起来搭建一套电力负荷预测系统,整个系统由数据传输、数据存储、数据计算、数据可视化四大模块组成,同时对系统的各项功能进行测试,测试的结果证明了设计的可行性。