电力负荷模型在电力系统规划设计、运行与控制中具有重要的作用，其建模工作早已引起了国内外电力界学者和工程技术人员的广泛重视。 本文首先着重指出选择合理的模型结构是模型具有唯一可辨识性的首要条件。在分析比较现有负荷模型结构的基础上，提出了一个对传统机理式动态模型进行改进的“配电网集结动态负荷模型”。 本文指出常用传统优化算法用于负荷建模往往使参数辨识结果呈现较大的分散性，为此选择具有全局搜索能力的遗传算法作为辨识算法，它在传统优化算法无能为力的时候往往能以较大的概率找到优化问题的全局最优解。基于基本遗传算法本身存在收敛速度慢和易早熟的缺陷，本文精心设计了解群选择的随机—精英策略、避免近亲繁殖的双断点交叉策略和交叉变异概率的自适应调整策略，提出一种综合改进型遗传算法并成功地应用于基于实测的负荷建模。现场实测负荷建模实践表明，本文提出的综合改进型遗传算法有效地改善了进化过程中的种群多样性和早熟现象，对于加速收敛缩短辨识时间、克服模型参数分散性、提高模型拟合精度均具有显著作用，是一种很适合于负荷建模的优秀优化算法。 在此基础上，本文深入探讨了遗传算法的运行机理，系统地研究了遗传算子的不同搜索能力，指出决定遗传算法性能的关键因素是种群多样性，得出了种群多样性与算法参数的关联约束，从理论分析上给出遗传参数的设定规则；深入研究了遗传算法中种群规模、交叉、变异概率及其控制策略，以及初始种群参数区间等遗传算法关键操作参数对算法性能的影响规律，给出合理的种群规模和参数初始区间，提出与群体进化程度指标相关的自适应策略。研究结果表明合理的参数组合是挖掘遗传算法巨大潜能的关键，对于提高遗传算法运行效率、克服早熟及尽量减小模型参数分散性具有十分显著的效果。本文的工作对推进负荷建模的实用化研究具有重要的理论意义与实际价值。