母线负荷预测是实现智能电网调度精细化管理的基础,是开展节能发电调度、安全稳定分析、动态状态估计、检修计划编制等工作的前提,对其进行分析研究,有助于进一步提高对电网的认知和控制,同时也有利于电力市场的实行和推进。随着电网中可再生新能源接入数量和规模的不断扩大,传统母线负荷也由原先单纯的母线用户负荷变为了母线用户负荷与新能源出力的差值,即母线净负荷（Net load）。母线净负荷中新能源出力部分固有的随机性和不确定性对传统预测方法提出了巨大的挑战。如何充分利用负荷历史大数据红利及母线负荷与新能源出力的物理联系合理建模,有效提升母线净负荷预测表现成为了有待研究的关键技术问题。本文针对高新能源渗透率下的母线净负荷预测问题展开相关研究,主要从负荷历史异常数据的辨识与校正、母线负荷短期预测、新能源出力短期预测及母线净负荷层级预测四个部分展开,其中主要的研究工作与结论为:（1）针对母线负荷测量值的异常数据问题,本文提出了基于Affinity Propagation（AP）和模糊C均值（Fuzzy C-means）聚类的异常数据修正方法,对历史数据进行柔性聚类并通过3σ准则识别聚类簇内异常值,再通过簇均值加以修正。文中采用两组算例验证了所提算法的可行性和准确度,还采用时间序列预测模型对修正前后的负荷数据进行预测,证明了本文所提辨识、校正算法能够有效提升负荷预测表现。（2）由于传统预测模型缺乏自适应的时间序列特征筛选方法,本文提出了基于相空间重构和深度信念网络（Deep belief network,DBN）的母线负荷短期预测模型。首先,采用相空间重构将时间序列投影为相空间中的动点轨迹,再利用DBN出色的非线性拟合能力对动点轨迹进行拟合,从而实现负荷预测。同时还采用交叉验证对DBN的网络结构进行了优化,并利用实际母线负荷数据验证了模型的有效性与优越性。（3）针对新能源出力固有的随机性及难以采用确定性预测准确描述的特点,本文以光伏出力预测为例,提出了基于分位数回归神经网络（Quantile regression neural network,QRNN）的光伏出力日前概率预测模型。首先采用光伏出力历史数据和数值天气预报（Numerical weather prediction,NWP）训练了一组损失函数依据分位数条件q变化的QRNN日前光伏出力分位数预测模型,再通过整合各分位数预测结果形成了光伏出力的非参数概率预测,最后利用两组算例验证了所提模型的有效性、优越性及在小训练样本下的兼容性。（4）由于现有净负荷预测模型未能充分利用负荷大数据带来的信息冗余提升预测效果。本文在第（2）、（3）点所提方法的基础上获得了母线用户负荷、净负荷及光伏出力的原始预测值,并基于原始预测之间的物理联系,利用最小迹（Minimum trace,Min T）层级预测算法修正了母线净负荷的原始预测值,随后采用分位数回归总结预测误差分布,形成最终的母线净负荷概率预测。本文利用实测数据验证了所提方法的可行性与优越性。