作为电力系统的重要组成部分,电力负荷在电力系统分析的分析、仿真、计算等各个方面,都有着举足轻重的地位。大区域电网变电站众多,不可能对所有变电站都进行负荷量测装置布点及建模,这对电网的经济性和安全性都是十分不利的。且在电网规划阶段,对于未建成的变电站建模问题,还没有很好解决。本文基于变电站负荷组成情况,分别讨论负荷量测装置的布点及负荷模型预测的问题。电力负荷的组成情况对负荷实测建模工作是非常重要的,而以往对于电力负荷组成的统计工作往往都是通过变电站工作人员统计上报而完成的,不方便经常进行,也难以保证统计结果的准确性。且随着时间的变化,实际负荷情况会随之发生变化,尤其是各种负荷的占比和构成情况。而负荷曲线是可方便获得的,量化分析负荷特性指标与主要影响因素之间的关联程度,可一定程度上掌握分析预测负荷特性与负荷组成的变化趋势。通过以往的负荷组成情况分析,运用MATLAB编程通过负荷曲线推测出负荷组成情况。并通过历史数据验证,该方法可较为准确的推测出负荷组成,用于负荷实测建模工作。在负荷实测建模领域有多种问题较为复杂难以解决。对于电力负荷的分组建模问题,可利用统计学中的聚类分析理论对负荷数据进行分组,找到同组数据的共性,如同为各组数据贴上了一个标签。选定TVA时变适应的综合负荷模型结构,选用自适应遗传算法进行模型参数辨识,通过多曲线拟合辨识出一个通用于该组的负荷模型,在选择负荷模型时就可以根据标签对号入座;提出一种PMU布点的优化方法,即运用层次聚类法中的CURE法根据变电站中的负荷组成进行分类,每组的保信系统中记录的故障率较高的变电站设置PMU布点能有效地获得有代表性的故障数据用于负荷建模工作。基于目前研究结果,比较分析广泛应用的各种神经网络算法的优缺点,并基于极限学习机提出一种预测负荷模型的方法。该方法基于极限学习机理论预测负荷模型,提取负荷特性数据的负荷组成情况,作为训练集代入极限学习机模型,通过训练获得极限学习机模型参数。负荷模型预测阶段,将目标负荷数据的负荷组成作为输入集,通过训练过极限学习机模型进行学习,得到预测的负荷模型。在电网规划阶段,为负荷模型的预测提供一种新思路。