电力负荷预测是通过历史数据推测未来负荷的发展趋势。进行高准确度的负荷预测可以为电力系统的规划、运行、调度提供决策参考依据,从而确保供电可靠性,提高经济效益。对山区进行电网负荷预测时存在以下问题:1)山区电网负荷数据的采集方式自动化程度低,设备老旧,通信困难,容易缺数据或产生一些异常数据;2)山区电网接入较高比例的分布式电源,其负荷容易受到各种特征因素的影响,直接按照负荷历史数据预测精度低;3)山区电网更容易受到各种自然灾害的影响,且其网架薄弱,设备老旧,很可能会出现负荷的突然削减,导致对其进行负荷预测时历史数据不可靠。针对以上问题,本文结合机器学习方法提出了适应山区电网的数据处理方法和负荷预测方法。在数据处理和效果评价方面,首先介绍了负荷预测中的数据预处理方法,分析了它们的缺点。然后提出适应山区负荷预测的数据处理方法,包括1)基于粒子群算法优化的四分位距-DBSCAN异常数据检测方法。2)反向传递神经网络-期望最大化两阶段缺失数据填补方法。它们分别解决了常规方法中阈值和初值难以确定的问题。最后讨论了在预测效果评价指标中引入自由度惩罚的重要性。在山区新能源电网负荷预测方面,针对含有大量特征数据的山区新能源电网,提出考虑特征选择的双向长短期记忆网络短期负荷预测方法。先对特征数据按密度进行聚类,然后将样本数据映射到权重诱导空间中,通过定义一种间隔来进行特征选择,删去无关特征。最后使用双向长短期记忆网络对选择后的数据进行负荷预测。以我国某地区山区电网为例,验证了该方法的有效性,结果表明其与传统方法相比,具有更好的准确性和适用性。在山区受灾电网的负荷预测方面,针对电网受灾和恢复过程负荷预测时历史数据难以直接参考的问题,提出基于注意力机制的迁移学习方法进行负荷预测。首先对历史数据进行经验模态分解,得到不同频率分量;然后建立注意力机制-编码器/解码器的学习模型,负荷分量数据集上完成可学习参数的训练;再将可学习参数迁移到注意力机制-CIF-LSTM模型上,使用它和CIF-LSTM模型分别预测基本趋势分量和周期性高频分量;最后把预测结果叠加起来,得到最终的负荷预测值。以大别山区受灾区域电网历史负荷数据为例,验证了该方法能够有效解决数据不足的问题,提高预测精度。