对电力负荷进行准确的短期预测是电力行业的各参与方合理制定运营及商业决策的重要依据。本文主要聚焦短期负荷预测的两个难题。第一,随着社会经济活动的日益丰富,用户用电随机性也逐渐上升。如何在预测模型中正确应对用户用电随机性,并进一步提升负荷预测精度,成为负荷预测领域的难点之一。第二,随着高级量测体系的应用和智能电表的广泛部署,负荷预测工作获得了史无前例的海量历史数据。如何对海量数据进行合理的特征提取,从而在保留有效信息的同时,降低数据的维数和体量,以提升负荷预测模型的训练速度和训练精度,也成为大数据时代负荷预测领域亟需解决的关键问题之一。基于以上两个问题,本文首先提出了考虑用户用电随机性的Gaussian-CNN-GRU预测模型。通过组合卷积神经网络（convolutional neural network,CNN）、门控循环单元（gated recurrent unit,GRU）搭建神经网络模型,以提取用户用电信息的时序特性以及负荷变量与气候、温度等协变量之间的相关性。然后通过在输出层构建由一对神经元组成的Gaussian输出层,以高斯分布随机变量的形式表示具有随机性的负荷预测值,从而将用户用电随机性和预测不确定性的概念引入负荷预测模型。并在模型训练环节,采用负对数似然函数衡量负荷预测值和实际值的差距,提升了模型面对异常用电行为的鲁棒性,并提升了负荷预测的精度。之后,基于以上模型,本文进一步提出了基于用户行为特性的多用户群层次负荷预测方法,以解决海量负荷数据的有效利用问题。该方法首先进行基于行为特性的用户群聚类分析,采用BIRCH（balanced iterative reducing and clustering using hierarchies）算法将全体用户聚类为表征不同用电趋势的多个子用户群。之后构建包含气候信息、时间信息、多用户群聚合负荷数据在内的多特征时序数据集,对Gaussian-CNN-GRU模型进行训练,并由模型对总用户群和子用户群的聚合负荷值进行层次预测。最后由GTOP（gametheoretically optimal）层次调和算法输出具有层次一致性的多用户群层次负荷预测结果。所提出的方法充分挖掘了智能电表带来的用户用电信息,预测模型不仅可以学习到总用户群的用电趋势,也可以学习到子用户群与总用户群用电趋势之间的潜在联系,从而提升了预测精度。此外,预测结果包含总用户群负荷和子用户群负荷在内的多个预测值,为决策环节提供了比传统方法更丰富的预测信息。在算例分析环节,本文首先以公开数据集为例分别对居民用电数据和企业用电数据进行了数据分析,并分析了居民用电场景和企业用电场景在用电规律上的异同,然后基于居民用电场景和企业用电场景,分别对本文提出的预测模型及方法进行算例分析。通过与多组模型进行比对,检验了本文提出的模型和方法的可行性和有效性,一方面有效应对了用户用电随机性的问题,另一方面有效利用了海量负荷数据带来的数据优势,提升了负荷预测精度。