随着以神经网络为代表的深度学习算法受到广泛研究和应用,世界各国的电力系统也积极引入深度学习算法来提升传统预测任务的预测精确度。本文主要研究了电力系统预测任务中的电力系统负荷预测和火电厂燃煤锅炉高温再热器壁温预测问题。本文详细分析了两个预测任务的数据特点,在负荷预测和壁温预测的研究中分别改进了时间卷积网络算法结构以构建精确的预测模型,得到了高精度的预测结果。针对电力系统负荷预测任务,本文主要进行了如下分析和实验。随着电力市场改革的推进,精准的短期负荷预测对保障电网安全稳定运行起着越来越重要的作用。在短期负荷预测问题中,气候等特征因素变化的随机性增加了短期负荷变化的复杂性。为了更加精确地预测短期负荷,预测模型需要同时考虑短期负荷的特征因素和时间序列特性。本论文采用多时空尺度方法处理负荷数据,降低原始负荷数据噪声误差且增强负荷数据时间序列特性。在此基础上,本文提出了多时空尺度时间卷积网络短期负荷预测模型。该模型能同时学习负荷数据的非线性特征和时间序列特性。以某地区真实数据为例,分别用7天、21天、99天和199天的历史负荷作为特征数据训练短期负荷预测模型。训练完成的模型被用来预测未来一天和一周的负荷。本文将所提模型与人工神经网络等22个传统短期负荷预测模型对比。实验结果表明多时空尺度时间卷积网络模型具有更高的短期负荷预测精度。针对电力系统的火电厂燃煤锅炉高温再热器壁温预测问题,本文主要进行了如下分析和实验。由于超超临界燃煤锅炉具有很高的再热蒸汽温度,高温再热器超温爆管的可能性较大。所以有必要通过预测壁温分布状态和设置报警阈值的方法来防止高温再热器发生爆管事故。本论文提出了多特征尺度融合时间卷积网络壁温预测模型。该模型具有强大的特征提取和非线性函数拟合能力。多特征尺度融合方法能充分考虑燃煤锅炉系统输入物料与高温再热器壁温变化之间的时间延迟性。该方法是能够精确预测高温再热器壁温的关键技术。本文采集了某火力发电厂高温再热器2020年3月到5月的实际监测数据,对多特征尺度融合时间卷积网络进行仿真实验。论文将所提模型与人工神经网络等20种预测模型对比。实验结果表明多特征尺度融合时间卷积网络模型具有更高的预测精度。