随着电力市场改革的深入,我国售电公司开始参与电力市场。售电公司的核心技术是对用户的用电负荷进行精准的预测,为客户制定售电方案以及综合用电服务,并避免风险。才能有效的避免售电过程中的风险。目前,常见负荷预测的模型主要是是时间序列模型,但是时间序列模型预测精度较低。为了改进时间序列模型的预测性能,机器学习模型逐渐被应用在负荷预测中,比如随机森林、支持向量机、BP神经网络等模型,机器学习模型比时间序列模型具有更强的稳定性以及预测性能,在负荷预测的精准度上有了一定的提高,但是预测精度仍然有限。深度学习通过构建深度神经网络,在模型的预测性能上有了进一步的提升,其中DNN是一种具有多层隐藏层的神经网络,具有良好的学习性能。目前,关于DNN在负荷预测中的研究较少,本文基于DNN神经网络,对其进行优化并应用在负荷预测中,以进一步提高负荷预测的精度。本文对短期负荷预测进行研究,本文的工作如下:首先,本文通过对传统的时间序列模型、常用的机器学习模型以及深度学习模型进行对比分析,分析这些模型中存在不足。其次,本文提出了采用粒子群优化算法以及二进制粒子群优化算法对深度神经网络DNN模型进行优化以及在DNN模型上增加循环层提升模型对时间序列的预测精准性。第三,为了验证本文模型的性能,本文基于欧洲智能技术网络(EUNITE)举办的电力负荷预测预测的数据集对本文设计的模型进行实证研究。为了检测模型的预测精准性,主要采用均方根误差以及平均绝对误差进行衡量。在实证分析中,本文对PSO-DNN以及RDNN模型进行验证,同时采用Holt Winter、BP神经网络、随机森林、支持向量机、GBDT以及XGBoost模型和LSTM模型进行对比分析。本文的研究结果表明,本文构建的PSO优化的DNN模型以及RDNN模型的预测性能在众多模型中的效果较好,其中RDNN模型的性能最好。经过随机抽取时间序列进行稳健性验证,验证了本文设计的PSO-DNN以及RDNN模型具有一定的稳健性。本文的研究对进一步加强深度学习在负荷预测中的应用,进一步提升负荷预测的准确性具有一定的参考价值。