在国家智能电力网络建设的大背景下,大量可再生能源和新能源的发电项目一起投入电力系统中。然而新能源发电存在着间断性和不稳定性,这种间断性和不稳定性有可能使得发电机组无法满足稳定的电力供应需求,极大的增加了电力负荷预测的困难程度。电力负荷预测不仅仅是保证动力系统平稳运转的重要基石,更是电力系统长期运营规划的重要前提条件。供电系统的调度及机组的检修安排等均离不开短期电力负荷预测。提升短期供电负荷预测的准确率既能够为供电系统的稳定运营奠定扎实的基础,又能够为电源规划、调度计划奠定理论基础,促进供电系统更加稳定、经济的运营。因此,开展如何提升短期电力负荷预测精度的研究课题是十分必要且有意义的。首先,介绍了短期电力负荷预测的基本原理和分类。对负荷预测过程不可避免的误差做出分析并介绍了预测模型的评估指标。分析国内外各种负荷预测算法模型的实际应用及研究现状,结合实际应用分析各种预测方法在电力负荷预测领域中的优缺点。其次,对深度学习在短期电力负荷预测中的应用进行分析。介绍了典型的深度学习算法CNN和LSTM的结构概念及其运算原理。本文在构建的组合算法模型中加入注意机制,利用注意力机制能够突出重要影响因素的特点来解决算法模型输入序列间的权重分配问题。介绍了注意力机制的基本思想和权重分配的计算过程,同时分析了负荷预测的主要影响因素以及数据的预处理。然后,对短期电力负荷预测模型的构建进行研究。构建了CNN、LSTM、CNN-LSTM以及基于注意力机制的组合神经网络预测模型。实验结果表明,基于CNN-LSTM的短期电力负荷预测模型的MAPE为0.6255%,RMSE为0.1524,MAE为0.1166,R~2为0.9954,该模型预测结果最为精确。最后,建立电力数据可视化交互平台。简要介绍了Tableau的基本功能以及Python与Tableau集成的意义。详细描述了Python与Tableau集成的三大步骤和时间交互按钮的设计及其应用过程。建立了预测未来5天电力负荷的可视化工作表,并在Tableau中制作真实总数据以及四种模型预测数据可视化工作表。最终通过仪表板将历史数据、模型预测数据、未来负荷预测等信息聚集起来展示给电力用户并上传至服务器实现多人共享,该平台有助于用户对电力负荷数据实施精细化管理。