电力系统作为一个高度统一、实时运作的系统,且电能具有不可大量存储的特殊性,维持电力系统供需平衡的重要性不言而喻。现如今对负荷预测的研究已然不计其数,预测精度也能达到很高的水平,但是大多数研究都是基于高质量的电力负荷数据。但是现实情况下,因配网侧数据采集设备或出现采集错误、人为蓄意篡改等错误会极大程度降低电力负荷数据质量,从而影响后续负荷预测模型构建和预测精度。为了解决上述问题,本文提出了参数自适应下基于DBSCAN的噪声负荷检测算法（Noise load detection algorithm based on DBSCAN with parameters adaptation,NLD-DBSPA）和基于组合预测的噪声负荷修复算法（Noise load restoration algorithm based on Combined prediction,NLS-CP）,实验验证了提出算法的研究可行性,可以较为准确地检测恢复噪声数据。并通过多类型负荷融合（Multi-type load fusion based on correlation coefficient,MLF-CC）和基于随机森林和密度聚类的多类型负荷抗噪预测模型挖掘算法（Load forecasting model mining algorithm based on random forest under multi-type load data fusion,LFR-MF）,降低负荷预测模型对负荷类型的依赖性,提高负荷预测的精度和效率。本文研究内容如下:首先,为了提高输入到负荷预测模型中的电力负荷数据质量,提出基于时间序列的DBSCAN（Density-Based spatial clustering of applications with noise）噪声负荷检测算法（NLD-DBSPA）和组合预测的噪声负荷修复算法（NLS-CP）,首先通过模拟噪声注入并选择密度聚类算法,按列重构带噪声的负荷数据集,高效准确地检测负荷数据含有的噪声。然后通过组合方法,将噪声数据以较高的水平恢复,并通过若干个数据集上的实验结果验证本章提出基于时间序列的噪声数据检测及修复的可行性和有效性。其次,本文为探究温度和节假日等特征属性对季节性负荷的影响,提出了一种基于K-Means聚类的支持向量机电力负荷预测方法（Short-Term Load Forecasting based on SVM and K-Means,STLF-SK）。第一步利用K-Means将季节负荷数据根据温度特征分为两类作为输入数据。第二步探究温度和节假日特征对负荷预测影响时,通过相似日地选取、数据预处理、预测模型训练和参数调整等步骤构建负荷预测模型。最后,为了解决针对每一类型用户构建对应模型在现实应用中时间复杂度和空间复杂度任务较大,提出基于相关系数的多类型负荷融合（MLF-CC）以及多类型负荷数据融合下基于随机森林的负荷预测模型挖掘算法（LFR-MF）。通过Pearson相关系数将不同类型的负荷进行融合,降低了单一负荷类型以及众多的特征对负荷预测精度和效率的影响,提出多类型负荷数据融合下基于随机森林的负荷预测模型挖掘算法,并通过实验验证了该方法可以有效提高负荷预测的精度和效率、降低负荷预测模型对负荷类型的依赖性。