当前,基于电力数据分析处理的系统决策正在不断地推进电力系统优化进程,在生产、传输、消费等环节已得到初步的应用和实践。电力系统“互联网+”的优化升级迫切需要电力数据分析和能源计量建模的技术支撑,从而做出更精准的决策。基于需求侧的用电数据常具有随机性和时变性。传统的结构和电气参数建模,会使得模型参数较多,辨识工作量大,计算耗时,精度较低。当前时代背景下的非机理模型具有参数较少,辨识工作量小的优势,同时模型仿真程度较高。基于此,论文以马尔科夫模型、极值模型、人工神经网络等为理论基础,运用机制转换探讨用电峰谷特征,针对用电序列构建长短期记忆网络模型,并进行用电负荷预测;在此基础上,运用极值理论评价其风险,为精准决策提供参考。本文的主要工作分为四个部分:(1)采用马尔科夫转换自回归模型探讨用电负荷的峰谷状态转化,通过非线性检验、断点检验和平稳性检验的结果,建立MS(2)-ARIMA((1,4),1,0)模型。运用该模型预测出未来短期内用电负荷将处于用电负荷降低状态。(2)针对峰谷负荷的预测,首先用经验模态分解将序列分解为7个本征模函数和1个残差序列。然后对比样本熵值,将各个分量重组为随机分量、细节分量以及趋势分量。最后通过长短期记忆网络预测居民日用电负荷。(3)为量化极端情况下的用电负荷运行形况,选择建立过广义帕累托模型。根据hill图和平均超额函数图的分析,阈值数值选择6.8。并对模型进行检验,从检验结果中发现,该模型的拟合程度较好,且没有明显的异方差性。(4)通过计算不同数据的风险价值来估计电网过载的风险概率,并对比三种数据下计算得到的电网运行风险。发现基于极值分布下的风险价值为较为合理的电网过载阈值,其能够有效的避免电力能源浪费。