智能电网以信息化、数字化、自动化、互动化为主要特征,是当前全球各国电网发展的目标。在智能电网背景下,电力系统信息化与互动化所带来的实时运行大数据给电力系统综合负荷建模带来了新的机遇和挑战。准确合理的电力系统综合负荷模型能为电网运行、规划、设计提供可靠的决策支持。本文首先对电网实测数据进行预处理,包括检测离群点及采用局部保持投影算法降低数据维数。论文采用极限学习机的方法用单隐层神经网络对智能电网AMI数据进行负荷类别解析及统计。由设备特性向量对多输出极限学习机进行训练建模,最后将AMI的智能电表负荷数据进行解析分类,实现基于AMI数据的负荷分类统计,根据实测数据可实时更新综合负荷模型的构成成分。论文采用高斯混合模型聚类的方法,将SCADA系统的日负荷数据进行聚类,通过纵向和横向的聚类策略,得到负荷节点的时变规律,提供了站点负荷模型调整的时间上的依据；采用基于Caratheodory-Fejer插值定理的辨识方法,对WAMS系统的扰动数据进行辨识,得到主要考虑动态过程的负荷模型,该辨识方法在模型结构上考虑了负荷的随机变化性,当负荷在有界的范围内变化时,该方法能保证模型的输出响应能以一定的精度拟合实际的输出,部分地解决了模型的推广及适用性问题。论文充分应用智能电网的量测数据,完成了考虑负荷时变和负荷分类的综合负荷建模方法。具体工作如下：(1)提出了一种基于极限学习机的AMI数据负荷类别解析及统计方法。根据负荷设备数据建立描述设备运行状态的特征向量,由设备特性向量对多输出极限学习机进行训练建模,然后对AMI的智能电表负荷数据进行解析分类,实现基于AMI数据的负荷模型成分分析统计,能根据实测数据及时更新负荷模型的参数。(2)提出了采用高斯混合模型对SCADA负荷数据进行聚类分析的方法,采用横向和纵向相结合的聚类策略,得到站点负荷模型不同时间尺度下的的时变规律。由日负荷数据的相似性聚类统计最终得到纵向长时间框架下的负荷时变特征。该方法能提供负荷模型变化的时间判断依据和结果。(3)提出了一种基于Caratheodory-Fejer插值的动态负荷建模方法,该方法把电力负荷映射为哈代空间的满足先验参数的线性模型集,将实测WAMS扰动数据与模型相容的条件转化为线性矩阵不等式约束,根据Nehari定理及Caratheodory-Fejer插值定理,构造出满足线性矩阵不等式的最不利情况下的负荷传递函数模型。该辨识方法在模型结构上考虑了负荷的随机变化性,当负荷的变化在规定的有界范围内时,该方法能保证模型的输出响应能以一定的精度拟合实际的输出。部分地解决了模型的推广及适用性问题。(4)对于电网的实测数据,提出了局部保持投影的降维算法对测量数据降维,该算法对高维,多模态的数据对象能更好的保留数据的近邻特征,论文还考虑了实测数据中的离群点剔除问题。本文从不同的角度充分使用了智能电网中的量测信息,从这些量测信息中分析得到了关于负荷构成成分、负荷时变规律、负荷动态特性的一系列负荷模型参数。当有某地区完整的负荷AMI数据时,用论文中的方法可以建立实时的负荷模型参数统计调整系统；当不具备完全的AMI数据,可以对变电站的SCADA数据进行分析,得到变电站负荷模型调整的时间上的变化判断方法；对于系统偶发的大扰动数据,建立主要考虑其动态过程的负荷模型,为特定时间段的电网稳定性分析提供更准确的负荷模型。这些利用不同来源数据进行负荷建模的方法,给出了基于数据驱动的更准确的负荷模型参数,为建立符合电网负荷运行实际的综合负荷模型提供了有益的思路。