电力系统的安全、高效运行是实现国家经济战略的重要保障。短期电力负荷预测在电力系统中作为安排发电计划、确定备用容量、经济调度电网等操作的基础,实现精确的短期负荷预测对电网的经济可靠运行有着重要作用。随着智能电网的建设,量测数据越来越丰富,为精准负荷预测提供了基础;但电力市场化的发展,预测环境中需求侧管理等因素对用户用电行为的影响愈发明显,为提升短期负荷预测的精度带来困难。针对上述情况,论文开展了电力市场环境下基于数据驱动的短期电力负荷预测方法研究,主要工作如下:（1）为挖掘误差数据的价值,提出了一种基于动态模式分解误差修正的短期电力负荷预测方法,主要包括数据选择、误差预测和误差修正三个阶段。在数据选择阶段,采用灰色关联分析法选择三类数据作为预测模型的输入数据;在误差预测阶段,利用动态模式分解算法的数据驱动特性捕获误差序列的潜在时空动态以实现准确的误差预测;在误差修正阶段,在基于动态模式分解的误差修正基础上,提出了一种最值约束法来进一步修正电力负荷的预测值。（2）为实现有侧重点地考虑需求侧管理因素和改进传统的深度信念网络模型,提出了一种基于深度信念网络和需求侧管理的短期负荷预测方法,从数据选择、模型结构和参数优化三个方面改进传统的深度信念网络模型,使其更适用于处理电力市场机制中的短期负荷预测问题。在数据优化阶段,通过构造Hankel矩阵,实现对需求侧管理因素的重点考虑,并利用灰色关联分析优化输入数据的质量;在模型优化阶段,利用高斯-贝努利受限玻尔兹曼机实现了连续性特征数据到二项分布特征数据的有效转换;在参数优化阶段,将误差约束嵌入到无监督学习中提出了一种混合预训练算法,通过设置误差阈值来控制逐层预训练的精度,并结合遗传算法实现了对模型全局参数的微调。论文通过算例分析验证了所提方法的有效性。所研究的方法可以为电网公司提供电力市场环境下更为精确的短期电力负荷预测技术,并帮助电网公司实现电网的经济、稳定运行,具有较好的理论和实际应用价值。