短期电力负荷预测不仅是电力系统调度的关键环节,也是用电营销、电网规划以及其他管理部门的重要工作之一;深度学习是近年得到广泛重视的人工智能方法;本文选择了深度学习递归神经网络最有典型意义的三种模型,旨在研究它们用于短期电力负荷预测的模型性能,包括电力负荷数据预处理,预测模型特征选择,模型参数确定,浅层网络到深层网络的预测特性对比等,以探索和证明深度学习神经网络在短期电力负荷预测的适用性,最终提高短期负荷预测的准确性。本文所做的工作以及到的研究成果创新如下:首先,分析了电力系统短期负荷预测国内外的研究现状,分析了现有的电力系统负荷预测的常用方法以及特点、优势以及存在的问题,介绍了电力大数据的研究价值。对电力负荷的分类及特性进行了总结,包括对其影响的主要因素以及预测模型的性能评价指标,数据预处理方法、预测的基本过程步骤等。其次,介绍了深度学习递归神经网络的基本原理;通过深度学习网络与浅层网络的比较,展现了深度学习的优势;阐述了激活函数在神经网络中的特殊地位,简要分析了感知器模型以及多层感知器模型;归纳并且分析了三种典型模型的结构和模型特点,即RNN(递归或循环神经网络)模型、LSTM(长短期记忆网络)模型、基于Attention机制的LSTM(长短期记忆网络)神经网络模型;在此基础上,阐明了深度学习递归神经网络对电力系统负荷预测问题的适应性。然后,基于实测的电力负荷数据,完成三种典型模型的电力负荷预测方法模型构建以及对比试验与分析。通过预测结果对比,基于Attention机制的LSTM神经网络短期负荷预测模型实验具有比较理想的优化效果。最后,进行了全文总结,并展望了进一步的后续研究工作。本文的研究成果对于提高短期电力负荷预测的准确性和可靠性具有一定的科学意义和实用价值。