配电网中期负荷预测在重过载风险管理、可靠性计算、配电网架改造等问题上都有着应用需求,但目前中期负荷预测多局限于大系统级别,而配电网负荷预测往往局限于短期预测。受限于配电网馈线、配变层级对象数量多、年维度数据少、负荷不稳定等现状,配电网中期预测鲜有关于深度学习和集成学习的相关研究,工程应用也是采用简单传统的方法,人为主观性较强。因此,本文针对配电网中期负荷预测开展进一步的研究。首先介绍了研究中使用到的负荷数据、气象数据、社会经济数据、设备关联信息数据的数据来源以及质量情况,然后介绍了对数据的异常值检验、缺失值填补、独热编码及归一化等工作。其次,为解决配网中期负荷预测中年维度数据少的问题,本文通过融合不同预测对象的历史数据来扩充数据样本。而针对不同对象数据分布不一的问题,结合配变、馈线的特点,分别通过分类别建模以及集成学习两种思路减小这一影响。配电网可分为站-线-变三层级结构,针对底层配变负荷波动性大的特点,提出将配变预测分解为负荷发展趋势预测和负荷数值预测两个环节。负荷发展趋势预测环节利用CNN-LSTM（Convolutional Neural Networks-Long Short Term Memory）模型,分别提取负荷年内及年际的隐含变化特征,判断出待预测数据未来年的趋势变化。然后,采用负荷形态来对不同时段的数据进行群体分类,对于同一群体内的数据,基于随机森林回归算法建立负荷数值预测模型。而负荷发展趋势预测环节输出的判断结果作为待预测数据负荷形态中的一部分,决定了该组数据应采用哪种负荷数值预测模型进行预测。通过实验可知所提方法预测效果比现有应用方法的效果要更好。接着针对中层馈线负荷趋势性更明显的特点,提出一种基于多层级信息的混合集成预测方法。构建一种能同时处理年维度和月维度特征数据的改进堆叠式LSTM模型,为减小单一模型和不同数据分布样本带来的误差,以改进堆叠式LSTM模型作为基学习器,提出了一种混合集成预测算法,与传统树集成方法对比,预测效果和适应性更好。最后基于以上的研究理论,开发了一套微服务架构下的负荷分析预测管理系统。通过数据管理模块得到良好的预测数据集,以本文预测理论为基础可以实现配电网变压器、馈线级别的中期负荷预测,最后基于负荷预测结果并结合对负荷特性的分析,能有效实现负荷的组合优化,有效协助实现电网的智能化、精细化管理。