电力能源在国家工业的发展中扮演着举足轻重的角色。对工业用户进行有效、准确的电力负荷预测,可以提高其电力系统运行的稳定性和安全可靠性,对能源的利用和工业的发展具有重要的现实意义。而提高预测精度是工业负荷预测的重点问题,本文基于工业负荷的特点,针对目前电力负荷预测方法单一、预测精度低等问题,以信号分解、深度学习神经网络和智能优化等方法为基础,对工业用户短期电力负荷预测展开了研究。本文的主要研究内容如下:（1）对比分析了门控循环单元神经网络（GRU）和BP神经网络的优缺点和对应的预测模型。经实验验证,GRU模型预测结果更准确,预测优势更明显。因此本文采用GRU神经网络作为基本预测算法。针对GRU模型的预测精度受人为经验设定参数随机性影响的问题,引入了麻雀搜索算法（SSA）,实现了GRU模型自动迭代搜索最优参数。采用某工业用户真实电力负荷数据作为实验数据,将优化前后的预测结果进行比较,结果表明,经优化后的模型预测精度比原模型提高了35.58%,显著提高了GRU模型的预测精度。（2）针对工业电力负荷数据具有非线性、非平稳的特性,提出了互补集合经验模态分解算法（CEEMD）,通过与经验模态分解算法（EMD）对原始负荷序列分解结果的对比分析,结果表明,CEEMD更适合用于短期电力负荷预测。进而构建了基于CEEMD-SSA-GRU的混合预测模型,通过实验与其它模型对比分析,结果表明,CEEMD-SSA-GRU模型的预测精度达到了99.36%,明显高于其它模型;且MAPE、MAE和RMSE三种误差评估指标均是最低,预测效果最好。（3）为了方便工业用户对负荷数据进行管理,本文设计实现了一套智能化能源管理系统。其中将本文提出的CEEMD-SSA-GRU预测模型应用到了系统的负荷预测模块中。该系统在工业用户的实际运行应用后,本文的预测模型取得了显著的效果,极大的方便了工业用户安排生产计划和能源管理。本文提出的CEEMD-SSA-GRU预测模型具有针对性强、准确度高和预测精度高等特点,对工业短期电力负荷预测及应用具有实用的价值。