近年来,随着能源生产、消费方式的改变,给电网带来了更多不确定性问题,电力负荷预测作为电力行业发展中一项必不可少的基础工作,合理而准确的电力负荷预测为电网调度、规划、建设以及运行提供重要的参考依据。因此,采用更加灵活的预测方法提高短期电力负荷预测的精度仍是我们急需解决的一项工作。电力负荷预测会受到多种因素的影响,影响因素的分析是电力负荷预测的基础,可以为预测模型输入量的确定提供参考。本文利用皮尔逊相关系数分析了不同影响因素与负荷的相关性,分析表明历史负荷、天气、日期等因素与电力负荷有强相关性。人工神经网络由于其强大的自学习功能、联想存储功能以及高速寻找优化解的能力,已被应用于电力负荷预测领域,并获得了良好的效果。随着广大学者对人工神经网络的深入研究,又出现了深度学习这一新的研究方向。本文基于深度学习中的LSTM神经网络预测模型,提出了融入多影响因素的LSTM多元时间序列模型。通过在LSTM模型的基础上加入多特征融合层,有效的弥补了LSTM模型无法抽取多特征的缺陷。经验证,融入多影响因素的LSTM多元时间序列模型能够有效地提高中短期电力负荷预测的预测精度。为了弥补融入多影响因素的LSTM多元时间序列模型无法对数据进行多维度的特征提取的缺陷,本文进一步采用稀释自编码器对模型进行优化,建立了SAE-LSTM预测模型。该模型能够提取影响因素的高阶特征,挖掘其深层次的特征因子,有效的弥补融入多影响因素的LSTM多元时间序列模型的不足。本文基于山西省的负荷数据以及相关影响因素的数据,分别利用LSTM模型、融入多影响因素的LSTM多元时间序列模型以及SAE-LSTM模型进行中短期电力负荷预测。预测结果证明了,融入多影响因素的LSTM多元时间序列模型与SAE-LSTM模型都可以提升短期电力负荷预测的精度,SAE-LSTM模型的预测性能更加优越。