随着智能电网的不断建立与完善,电力部门积累了大规模的负荷数据。对这些海量数据的挖掘与建模,将有利于明晰和预测未来负荷变化趋势,为电力系统的智能调度、运行以及建设提供科学的决策依据。然而,由于运行故障及人为窃电等因素的存在,电力负荷数据中往往存在异常数据,严重影响负荷预测的准确性和可靠性。此外,电力负荷数据还受气候变化、经济等不确定因素影响,体现出了复杂的非线性特征。这些问题均给基于数据驱动建模的负荷预测带来了挑战。鉴于此,本文从电力负荷数据的复杂时序特性出发,结合信号处理、数据挖掘等技术理论,针对负荷数据分析中的异常值检测及负荷预测问题展开了系统化的研究。本文的主要研究内容如下:1.针对时间序列的时间依赖性,提出了一种基于改进型的GESD-LOF（Generalized Extreme Studentized Deviate Test-Local Outlier Factor）混合异常检测模型。首先,将负荷序列的变化率和残差趋势等特征引入GESD模型,判断当前负荷是否出现异常。然后,考虑同一用户每天同一时刻之间的相关性,将邻域信息纳入LOF模型的可达距离计算,再次判断当前负荷状态。当两种算法均判定为异常时,该负荷数据则为异常点。仿真结果表明将变化率、邻域等信息纳入建模过程,有效增加了数据的信息量与分辨率,所提出的混合检测模型有效提升了异常值检测的准确度。2.针对区间预测上下界之间存在的关联性,提出了一种基于分解-重构-集成的区间负荷预测方法。首先,利用二元经验模态分解（Bivariate Empirical Mode Decomposition,BEMD）,将原始的区间分解为有限个数的二元模态分量（Bivariate Intrinsic Mode Function,BIMF）,提取数据的波动特征。其次,利用多元多尺度排列熵（Multivariate Multiscale Permutation Entropy,MMPE）对BIMF进行分析及重构。然后,利用麻雀搜索算法（Sparrow Search Algorithm,SSA）寻找门控循环单元（Gated Recurrent Unit,GRU）的最优参数,进而获得各二元分量上下界的预测结果。最后,将各分量的上下界预测值分别相加,得到最终的区间值预测。仿真结果表明该方法有效提高了负荷预测的准确度。3.将上述负荷分析与数据可视化技术结合,建立了基于Data V的电力数据可视化平台,实现了区域内负荷数、异常用电情况及负荷预测结果的可视化展示。通过多种关键数据的可视化展示,有利于相关人员发现数据中隐含的模式及特定信息,并及时优化配置和整合利用各类供电、用电资源,提升电网的运行效率与质量。