本论文研究总体测辨法负荷建模中有关电力负荷动态特性的聚类与综合、负荷模型的参数分散性以及电力系统非线性变结构负荷建模等关键性问题。该研究对解决电力负荷的时变性、变结构性等给总体测辨法负荷建模工作造成的困难具有重要意义。论文的主要内容如下：针对总体测辨法负荷建模中存在的模型参数分散性问题，本文首次进行了较为深入、细致的研究，结果表明：不管是静态负荷模型，还是差分方程负荷模型，模型结构选择不正确，不真实以及负荷噪声的存在是导致负荷模型参数分散的根本原因。本文提出了一种有效的解决负荷模型参数分散性的方法——负荷特性综合。动模实验和现场实测数据的建模实例验证了该方法的有效性和可行性。电力负荷动态特性的聚类与综合的实现是负荷建模走向实用化的重要标志之一，这是由电力负荷本身特点和电力负荷建模原则所决定的。本文首次提出使用Kohonen神经网络解决电力负荷动态特性的聚类问题，给出了采用Kohonen神经网络进行负荷动态特性聚类的具体算法。通过对现场实测数据的聚类分析与综合处理，可以发现，尽管负荷组成存在时变性和随机性，但负荷特性仍然呈现一定规律性。同时，该实例也验证了Kohonen神经网络解决负荷动态特性聚类问题的有效性。针对感应电动机负荷模型参数辨识实践中存在有些参数容易辨识，而有些参数相对难以辨识的问题，本文首次进行了感应电动机负荷模型参数解析灵敏度分析及可辨识性研究，研究结果表明：灵敏度大的参数易辨识、且辨识结果稳定，而灵敏度小的参数相对难以辨识，并且各参数都有随激励增强而逐渐容易辨识的趋势。根据这些特点，本文首次提出了一种全新的感应电动机负荷模型综合策略，并通过实测数据建模验证了该策略的有效性和可行性。当电力负荷面临较大跨度的电压、频率扰动时，其非线性、变结构特征表现相当明显,尤其是在电力系统中长期动态过程中。针对现有的单一结构负荷模型已无法准确描述电力负荷的非线性、变结构特性的问题，本文首次提出了建立全局负荷模型（T-S模糊模型）来描述电力负荷的非线性、变结构特性，并且给出了建立全局负荷模型的具体算法。仿真数据建模实例验证了该方法的有效性和可行性。全局负荷模型的使用和推广可以较大程度地提高电力系统中长期动态仿真的准确度。首次提出了采用自适应神经模糊推理系统（ANFIS）建立全局负荷模型，描述电力负荷的非线性、变结构特性。它采用反向传播算法和最小二乘法的混合算法<WP=6>调整前件参数和后件参数 ,并自动产生If-then规则，大大提高了算法的收敛速度。仿真数据建模实例验证了该方法的正确性。