随着电力系统信息化程度不断提高,电网系统积累的数据越来越多,形成了电力大数据。对电力大数据进行分析与挖掘对于智能电网的构建和电网高效安全稳定运行具有重要的作用。电力负荷的异常检测与预测是电力大数据挖掘的一个重要的研究内容。本文研究电力负荷异常检测与预测方法并在云计算环境下加以实现,取得的成果如下:1.提出了一种基于密度峰值聚类(Clustering by fast search and find of density peaks)的电力负荷异常数据并行检测算法(SCFSDP)。针对快速密度峰值算法用于异常值检测未考虑数据的局部特点以及需要遍历整个数据集而导致整个算法的时间复杂度较高的问题,设计了针对电力负荷判断异常值的规则,算法通过空间网格将待聚类的数据集划分成多个数据量相对均衡的数据分区,利用Spark并行编程模型设计并行算法,利用改进的密度峰值聚类算法在各个计算节点对应的数据分区中并行检测电力负荷是否为异常,然后对各个节点检测出的异常点集合进行合并。使用已有的电力负荷数据集进行实验,结果表明上述算法能够高效且准确地检测电力负荷数据的异常。2.提出了一种基于K-Means的径向基函数(RBF)神经网络电力负荷数据短期预测算法。针对径向基函数神经网络数据预测精度低的问题,优化径向基函数神经网络训练样本和径向基函数中心、宽度、连接权值以及隐藏神经元数目等网络结构参数,利用基于K-Means的径向基函数神经网络预测算法,将历史电力数据、日期特征等不同类型的数据,通过特征提取,数据清洗,构建模型进行短期电力负荷预测,并将RBF神经网络算法中的K-Means并行化,加快RBF神经网络的训练速度,提高了RBF神经网络电力负荷数据预测效率。使用已有的电力负荷数据集进行实验,实验验证了径向基函数神经网络算法在执行效率的优于其他算法,并且在面对大规模电力负荷数据集,结果表明有效可行。