随着经济科技的快速发展和人们生活水平的提高,用电设备越来越多,不断增长的用电需求促进了电力工业的飞速发展。人工智能与传统电网的结合产生了智能电网,它的快速发展,对电力负荷的预测准确性要求也越来越高。传统的负荷预测方法尽管模型简单,容易实现,但是很难捕捉天气、社会环境等因素和负荷之间的复杂关系,导致预测精度不高。所以,智能电网的精细控制需要一个更加精确、更加稳定的短期负荷预测模型。本文首先对短期负荷预测进行分析,介绍了电力负荷的影响因素,电力负荷的变化规律,重点介绍了几种常用的短期负荷预测方法,内容包括各种方法的原理和优缺点,为后文的负荷预测实验的提供理论基础。其次,本文通过相关性分析为基于LSTNet的短期负荷预测模型选择输入变量。首先用Spearman相关系数和最大信息系数分析变量和负荷的相关性,以此研究变量对负荷的影响。然后,由于负荷变化有连续性、周期性的特点,通过计算不同时间间隔的负荷平均增长速率分析负荷自相关性,负荷增长速率越小,负荷变化越小,相关性越强,实验结果发现邻近时刻负荷和间隔一天相同时刻的日周期负荷的相关性都很强。最后,本文建立基于LSTNet的短期负荷预测模型。LSTNet主要由卷积层、循环层、循环跳过层、自适应回归层组成。卷积层主要由CNN构成,捕捉数据之间的短期依赖关系。循环层和循环跳过层由LSTM组成,使得LSTNet同时拥有两种时间模式:相邻时刻和日周期,获取变量之间非常长期的依赖关系,克服了单一LSTM面对非常长时间序列导致梯度消失的缺陷。自适应回归层由AR模型构成,使模型面对异常值更稳定。文章设计了单步负荷预测和多步负荷预测两种实验,通过多种指标考察模型的性能,发现LSTNet的预测准确性和稳定性都比其他模型更好。