电力系统中的电力数据分析如负荷分类与电量预测一直是电力部门进行分时电价制定、变电系统调节、负荷总量预测、避峰错峰管理等方案制定的基础。有效的分类与预测方法能够给电力规划提供正确的数据管理依据,对掌握不同用户负荷特性的变化以及长、中、短期电量的预测有着较好的应用前景。针对电力数据分析中负荷分类与中短期电力预测两个问题本文进行了如下工作:1)首先对电力负荷分类与预测进行综述,总结了当前研究现状,并分别针对各自特点详细分析,包括各方法的优势与问题,并给出了有效性指标与评价标准。2)针对传统的K-均值聚类方法在初始化时选用随机点作为中心的问题,本文提出了基于负荷差异性的初始化方法。在负荷最大最小值之差的基础上,按用户量分布选定初始中心,根据改进的方法,结合电网实际电力数据,对用户进行分类处理,实验证明了该方法在实际电力负荷分类中的可行性与有效性。3)针对负荷预测的问题,本文分析了灰色预测模型(Grey Model,GM)在电力预测中的运用现状,从其序列生成的不足之处出发,通过引入了季节周期性思想,在序列生成时,实现了去周期性。并给出预测模型精度检验的方法,在之后的实验中,通过与原始方法对比证明了该方法的有效性。4)在普通灰色模型以及本文上部分改进的序列生成方法的基础上,本文提出了智能优化背景值的混合预测模型。针对传统GM方法,首先在序列生成时去除其季节周期性;其次针对建模时背景值选择上的不足,重新构建了可调参数的背景值构造公式;再用粒子群算法(Particle Swarm Optimization,PSO)对可调参数进行优化。在改进的去周期性序列生成方法下,通过迭代寻优背景值公式中的可调参数获得全局最优值,从而得到优化后的模型发展系数与灰度参数,建立预测模型。我们将该模型应用在电网实际数据中,通过与原始方法和其他方法的对比,结果证明了该模型可以有效的提高预测精度。