随着我国社会和经济的发展,电力市场化改革全面落地实施,“放开两头,管住中间”的发展格局日益清晰,全国电力市场交易体系基本形成,电力市场开放力度持续放大。用户侧中长期电力负荷预测是电力市场化运行的重要基础,提升面向用户侧的中长期电力负荷预测精度有助于增强企业购电议价能力,降低运营成本。为此,本文针对上述情况展开研究,主要工作包括:（1）针对在目前互联网上公开的企业电力负荷数据集存在较多异常值和缺失值的情况,不利于建立精确的中长期电力负荷预测模型,本文引入时间序列生成对抗网络（Time-series Generative Adversarial Networks,TimeGAN）增强电力负荷数据集。首先探究了经典生成对抗网络（Generative Adversarial Networks,GAN）的算法原理,分析缺点和不足;然后分析了TimeGAN的算法原理,指出该算法在生成时间序列数据方面的优势;最后,设计实验对比TimeGAN与GAN生成的数据,分别使用主成分分析（Principal Component Analysis,PCA）和t-对称随机近邻嵌入（t-Distributed Stochastic Neighbor Embedding,t-SNE）可视化观察生成数据与原始数据的特征分布,并通过Prophet算法分别对原始数据、GAN增强数据和TimeGAN数据建模预测,证明了TimeGAN生成数据的有效性,实现对数据集中异常值的替换和缺失值的填补,达到增强电力负荷数据集的目的。（2）针对当前电力市场交易中主要以中长期交易为主,并需要电力用户提交典型负荷特征给电力调度部门的需求,本文引入NeuralProphet算法在增强电力负荷数据集的基础上建立中长期电力负荷预测模型。NeuralProphet将自回归神经网络（AutoRegressive Neural Network,AR-Net）嵌入Prophet算法,既增强了Prophet算法的非线性拟合能力,又保留了Prophet算法的组件可解释性。NeuralProphet把电力负荷时间序列分解为趋势项（Trend）、季节项（Seasonality）和自回归项（Auto-Regression）等模块,并可视化呈现,其中季节项给出了年、周、日的典型负荷特征。最后设计实验使用均方根误差（Root Mean Square Error,RMSE）和平均绝对百分误差（Mean Absolute Percentage Error,MAPE）评价NeuralProphet、Prophet、LSTM和ARIMA等四个预测模型,证明了NeuralProphet在中长期电力负荷预测上的优越性能,它的RMSE和MAPE分别为532.59k W、6.49%,均是最低值,达到了提升中长期预测精度的目的。