随着我国经济迅猛发展,人们生活水平的不断提高,不管是工业生产还是日常生活都对电能的需求越来越大,对电网的可靠性和电能质量有更高的要求。负荷预测不仅是维持电力系统稳定运行的基础,还是电力系统规划的前提。电力系统的调度、规划以及机组检修等都离不开电力负荷预测。提高短期负荷预测的预测精度,不但有利于电力系统更加安全、经济的运行,而且还有利于对电能的质量的控制,从而实现对电网运行的经济效益和社会效益的进一步提高。因此,对研究提高电力系统短期负荷预测的精度具有重要的意义。本文首先介绍了电力系统短期负荷的基本原理和分类,深入分析了电力系统短期负荷的特点以及主要的影响因数,通过对电力系统短期负荷特点的分析,得出电力系统短期负荷具有不确定性、条件性和时间性等特点;通过对电力短期负荷预测的不同影响因数之间的分析,得出气候因数和时间因数是影响电力系统短期负荷预测的主要影响因数。其次,介绍了深度学习中的经典算法模型卷积神经网络(CNN)和长短期记忆网络(LSTM)的基本原理和特点,由于负荷的影响因数众多,现有模型不能很好的挖掘负荷的规律,导致负荷预测的精度低,为了克服目前电力负荷预测精度较低的局限性,本文引入了在机器翻译任务效果表现优越的自注意机制(Self-attention Mechanism)来处理电力短期负荷预测的问题,自注意机制可以有效突出影响负荷的因数,从而使模能够更好的发现负荷的规律。同时深入剖析了自注意机制的内部结构和原理,为下面提出本文的组合模型做准备。然后,根据历史负荷数据的特点结合本文介绍的深度学习模型的优点考虑,提出了本文的预测模型,基于自注意机制的CNN-LSTM的短期负荷预测模型。由于卷积神经网络具有强大的数据特征提取能力,所以本文先利用卷积神经网络对负荷及其相关数据的特征特征进行提取。接着把提取到的特征向量数据输入到LSTM,LSTM利用自身的内部记忆单元学习负荷序列的依赖关系,为了能够更好的学习到负荷序列深层的依赖关系,从而提高模型的学习负荷规律的能力,本文使用更擅长发现数据或特征的内部相关性的自注意力机制对LSTM输出的数据进行进一步学习,以此获得更多负荷数据的规律。最后,通过和CNN-LSTM、LSTM的实验结果对比,证明本文通过CNN对负荷特征的提取以及引入自注意机制到模型都利于提高短期负荷预测模型的精度。