随着电网规模的不断扩大,电网结构越来越复杂,人们逐渐认识到了电力负荷模型在电力系统分析、运行与控制中的重要性。由于总体测辨法建模具有直接、真实、实用性好的特点,很快就受到了多数研究者的青睐。但是它也存在一些问题,如参数的平稳性和模型实用化问题。本文以这两个问题为出发点,对参数辨识和负荷模型分类两个方面进行了重点研究。总体测辨法负荷建模的两个主要问题是基于实测负荷特性数据的模型结构和模型参数的辨识。本文首先介绍了目前存在的三种负荷模型,指出无论采用静态模型还是动态模型,均不能对实测负荷很好地诠释,最后选用了能够很好地解决时变性问题的TVA综合负荷模型,并对其相应参数进行了辨识研究。辨识算法对参数的平稳性有着非常重要的影响,如果算法不能够很好的全局收敛,不能很好的控制参数分散性,那么辨识出的模型参数就不具有实用性。本文针对传统蚁群算法容易陷入局部最优的缺点和混沌算法的遍历性和随机性的优点,把混沌算法引入到了蚁群算法中,提出了一种适用于负荷模型参数辨识的算法—混沌蚁群混合算法。算例结果表明该方法克服了传统蚁群算法的局部收敛,有效减少了收敛代数,加速了收敛速度,能够较好的控制参数分散性,具有较好的鲁棒性。在参数辨识的基础上,研究了基于辨识参数空间的负荷模型分类,这也是负荷模型实用化中一个重要的、必须要解决的问题。本文选用辨识参数作为模型聚类分析的特征向量,分别用HCM算法和FCM算法进行了分类研究。结果表明FCM算法相比于HCM算法在初值敏感性和聚类准确性方面更加适用于负荷模型分类问题。此外,针对FCM算法部分初值会导致误分类的缺陷,本文提出了一种用最大欧氏距离选取初始聚类中心的改进FCM算法,算例结果表明该算法能够有效避免结果误分类,且减少了运算次数,是一种适用于负荷模型分类的优秀算法。