近代以来,电力行业是发展最为迅猛的行业之一。电能已经成为人类不可或缺的能源形式,我国电力工业改革进程也正进行的如火如荼。短期负荷预测作为电力系统调度中的关键一环,是电网用电、规划等管理部门的重要工作。高精度的负荷预测是电网用电管理、运检维护、提升效益的重要依据。负荷预测的困难之处在于影响因素繁多,且规律万千无从寻觅。本文首先阐述了负荷的构成、预测的原理及传统的预测方法。对至今为止发挥作用显著的人工神经网络作出了简要说明,并利用经典的BP神经网络对现有负荷数据进行预测,分析其预测结果和性能。为克服目前负荷预测精度低的局限性,本文构造了DNN预测模型。通过深度学习,利用多层隐含层对原始输入数据进行多次非线性变换,增强各隐层间的信息交换,有效解决了传统神经网络易陷入局部极小值等问题。利用PSO双重优化算法优化DNN的隐含层结构,迭代更新粒子状态确认网络最优参数,进一步提高了模型的预测精度及稳定性。经实际电网数据仿真验证,证实DNN网络可以提高短期负荷预测的精度。在以上DNN网络研究的基础上,再次对网络进行改进,构造具有动态递归特性的RDNN预测模型。在DNN结构基础上新增设具备记忆特质的关联层,形成递归网络。关联层内部神经元具备记忆能力,能够记录网络前一特定时刻输出状态,使网络由静化动,具备动态性能。采用IPSO优化网络各隐含层权阈值,该算法用多个粒子信息引导个体的更新,可对模型的权值空间进行优化,提高训练的稳定性和寻优性能。经实际仿真验证,将结果与DNN进行精度对比,证实RDNN可以达到更高的精度要求。