电力产业是社会生产和人们日常生活的基础保障,高精度的电力负荷短期负荷预测对维护电力系统可靠运行有重要意义,相关技术的研究也越来越得到行业的重视。随着“双碳”目标的提出和电网工作模式的改进,电力系统的不断发展且越来越复杂,短期负荷预测的难度大大增加。传统的预测方法难以满足当前环境下对短期负荷预测的要求,因此本文基于传统神经网络进行改进优化,旨在探索提高负荷预测精度的新方法。本文充分调研分析了电力负荷预测特性以及负荷影响,基于循环神经网络（Recurrent Neural Networks,RNN）、长短时记忆（Long Short Term Memory,LSTM）、门控循环单元（Gate Recurrent Unit,GRU）神经网络模型,并针对预测过程中出现的问题,进行优化改善,最后通过实验仿真验证了预测模型的优化效果。主要工作如下:（1）首先,分析了电力负荷的特性,挖掘其中的规律,为负荷预测奠定理论基础;其次,分析了对电力负荷产生影响的外部因素以及预测误差产生的原因;对于收集到的历史样本数据,详细分析了几种常用的预处理方法,主要包括异常数据的剔除、缺失数据的补充、数据归一化处理等;最后,分析了电力负荷预测的几种评价指标以及负荷预测的基本实现步骤。（2）基于RNN、LSTM、GRU神经网络模型为基本模型,分析了神经网络的结构和特点,通过对比分析了各神经网络在进行负荷预测应用中的优缺点。为了提高短期负荷预测的预测精度,提出了一种基于梯度下降法的GRU神经网络的短期负荷预测模型。（3）本文详细分析了神经网络预测模型的建模过程和步骤,以及负荷预测的流程;对影响预测结果的关键参数的选择进行了详细的对比分析,并选取不同季节、不同日期类型的实际数据样本集进行仿真实验,通过对试验结果的对比分析,验证了GRU神经网络模型具有较高的预测精度和预测稳定性,且具有较好的普遍适应性。（4）针对实际生产中存在的影响因素,进一步提高预测精度、降低误差,结合Attention机制,将气候特征和日期类型特征归一化处理后,与历史负荷数据一起作为神经网络预测模型的输入信息,通过实际数据的实验结果,分析了气候因素和日期类型因素对于负荷预测的影响,验证了Attention机制对于预测精度和稳定性的优化效果。