精准的电力负荷预测不仅能够对电网的经济运行、安全稳定产生重要作用,还能够对电网的规划及建设起到指导性作用。同时,随着电力市场改革的不断推进,电力负荷预测能够使用户更好地参与到市场化改革的浪潮中。随着分布式光伏发电的推广和应用,越来越多的光伏电源接入电网运行,由于其间歇性和随机性的特性,使得电网在光伏发电大规模接入的情况下的节点负荷预测成为一个急需解决的难题。分布式光伏电源大量接入电力系统,给电力负荷的用电模式带来了一定程度的变化,同时在数字时代发展的背景下,电网企业存储了大量负荷数据及气象数据,分析这些海量数据中计及分布式光伏发电下节点负荷模式的变化及规律,成为提高分布式光伏发电下节点短期负荷预测精度的重要途径。本文通过对现有的传统电力负荷预测方法和分布式光伏发电负荷预测方法进行深入分析和总结,提出了一种基于数学形态学分解的CNN-LSTM节点短期负荷预测模型,并采用仿真实验对所提出模型的有效性进行验证。本文的主要研究内容如下:首先,从计及分布式光伏发电的节点负荷曲线的趋势和特征出发,详细分析了传统负荷馈线、分布式光伏发电负荷以及计及分布式光伏发电的节点负荷曲线各自的特征,得出了计及分布式光伏发电的节点负荷在具有规律性和周期性的同时也包含一定的随机性和波动性的结论。同时采用皮尔逊相关系数对计及分布式光伏发电下的节点负荷变化影响因素进行分析,确定了计及分布式光伏发电的节点负荷影响因素。其次,针对节点负荷数据中存在的异常数据问题,根据异常数据的不同特点将其分为畸变数据和缺失数据两大类。对畸变数据,采用了垂直及水平处理进行剔除;对缺失数据,提出了一种基于随机森林算法的缺失值补全方法,对节点负荷数据中的缺失值进行插值补全,丰富了节点负荷数据集中的信息,尽可能降低了数据异常对短期负荷预测精度造成的误差。然后,针对计及分布式光伏发电下的节点负荷特点,提出了一种基于数学形态学分解的CNN-LSTM节点电力短期负荷预测模型,通过基于数学形态学的负荷分解方法将节点负荷数据分解为节点负荷趋势项子序列和节点负荷随机项子序列,再通过CNNLSTM网络所具有负荷隐含特征挖掘能力和时间特征提取能力,对分解后的两个子序列进行建模预测,获得两个子序列的预测结果后,将其进行向量叠加,获得计及分布式光伏发电下的最终节点短期负荷预测结果。最后,以广东省某地区某一包含分布式光伏发电的馈线负荷数据及所在地区的气象数据进行仿真实验,实验结果表明本文所提出的基于数学形态学的节点短期负荷分解方法,能够有效地提高计及分布式光伏发电下的节点短期负荷预测精度,同时在使用该分解方法的情况下,本文所采用的CNN-LSTM模型的预测误差最小,证明了本文所提出的模型在计及分布式光伏发电的节点短期负荷预测中的有效性和准确性。