短期电力负荷预测在电力系统的生产计划安排与实际运行调度中起着十分关键的作用,在学术领域中也一直是热点研究问题。由于电力系统具有随机性,其产生的历史负荷数据是随机非平稳的时间序列,因此负荷预测存在诸多挑战。本文研究深度学习方法,挖掘深度学习优势,对短期电力负荷预测问题展开研究。主要研究内容包括:针对现有短期负荷预测算法预测精度低的问题,本文开发注意力机制,提出了基于卷积神经网络（Convolutional Neural Network,CNN）和双向门控循环单元（Bidirectional Gated Recurrent Unit,Bi GRU）的Attention-CNN-Bi GRU短期负荷预测模型。首先,利用CNN和Bi GRU对输入向量进行特征提取。其次,将特征提取结果输入到包含注意力机制的Bi GRU层,通过注意力机制增强关键特征的影响力,使其分配到更高的权重。最后,实现短期负荷预测准确度的有效提升。实验结果表明,提出的Attention-CNN-Bi GRU模型可以有效提高短期负荷预测的精度。本文基于改进的残差网络（Residual Network,Res Net）提出了Res Bi GRU短期负荷预测模型,以进一步提高负荷预测的精度。提出的模型在Res Net网络结构上进行了优化设计,包括设计Bi GRU的残差块结构和大量的跳线连接结构。通过残差块中Bi GRU网络结构的设计,预测模型能够更好地学习特征的时间相关性。同时,大量的跳线连接结构增加了网络密集度,进一步提升了模型的表达能力和反向传播效率。实验结果表明,本文提出的Res Bi GRU模型在提高短期负荷预测的精度方面效果明显。本文通过引入变分模态分解（Variational Mode Decomposition,VMD）方法,在Res Bi GRU模型的基础上进行改进,提出了VMD-Res Bi GRU短期负荷预测模型。通过开发VMD方法,充分挖掘历史负荷更深层次信息的优势,提高了预测模型特征提取和学习的能力。实验结果表明,与现有的一些短期负荷预测模型相比,所提出的VMD-Res Bi GRU模型在性能和预测精度上都得到了进一步的提高。