随着社会不断发展,电力需求随之更加迫切,同时也促使电力市场必须向前发展。为了切实保障供电需求以及削减电能资源浪费成本,这就需要制定相对合理的供电方案、电网合理规划建设等等一系列措施。这些措施的制定是需要比较可靠的参考数据作支撑,而对未来数据情况的预知可以通过电力预测获得,因此针对在多源影响因素条件下电力预测模型的研究具有一定的研究价值。在文中首先对课题研究的背景和意义进行了比较详细的阐述,而后梳理清楚课题研究所处的范畴和可能涉及到的一些相关理论技术以及几个算法模型。而后在数据处理问题上,针对数据问题选择合适的且具有针对性的处理方法。通过采用哑变量处理将外部数据转换成研究中可用的数据规格;为了消除不同属性数据之间的量纲差距,通过归一化操作使输入模型的数据统一化量纲;针对研究中的用电量数据缺失情况,提出K值最近邻均值填补方法,通过和同类方法做纵向对比发现其填补效果较好。为了削减数据序列间的差异化因素影响预测效果,且间接提高预测模型的鲁棒性,通过使用聚类方法分割原数据集,可聚成多个簇类子集。因此提出在Kmeans算法基础上针对时间序列进行优化,主要是计算距离的方法的调整,即使用动态时间规整和欧式距离加权计算。另外,预测模型算法决定了预测效果的上限,为了逼近这个上限可以通过特征构造提升预测效果,因此制定具有针对性的特征构造方案是必要的研究工作。针对本课题研究使用的数据结合实际,提出采用数据序列组合计算特征提取和数据序列波动特征提取两个方案,其中涉及到基本统计量和小波变换方法。对于整合优化模型以及中长期预测问题,首先针对预测步长在一周内的短期预测任务,通过整合多个方法优化改进预测模型,其中包括动态时间规整和欧式距离加权的Kmeans聚类方法和特征构造方案;之后,在短期预测任务解决方案的基础上,通过递归迭代优化改进预测模型,可形成模型群,解决预测步长大于一周的中长期预测任务。