高质量的预测结果对人们的生产生活具有重要的指导意义，有利于人们制定出更可靠的决策方案。预测是根据事物过去发展的现律，估计其未来发展趋势的一种理论。近十几年，各领域专家学者提出了数以万计的预测方法，预测学科得到了突飞猛进的发展。随着大数据时代的到来，挖掘海量非结构化和半结构化数据中蕴含的信息对预测方法提出了新的挑战。同时，如何提高预测方法在特定领域的精度成为了一个预测研究的重要研究方向。深度信念网络作为一种新兴的深度学习方法，相比传统预测方法，它可以学习到样本数据集固有的特征，可以广泛应用于很多领域并取得很不错的成绩。因此，本文主要就是考察改进深度信念网络在时间序列数据集的预测表现，并将改进模型应用到短期负荷预测中，验证改进模型的泛化能力。本文的主要工作如下：
　　（1）设计了深度信念网络基本模型的最优配置策略。深度信念网络是一种特殊的深层神经网络。根据人工神经网络的改进方向，考察不同的激活函数和网络参数优化方法对深度信念网络基本模型的影响，找出了深度信念网络模型的最优配置，为之后的研究奠定了理论基础。
　　（2）构建了基于受限玻尔兹曼机的递归神经网络点预测模型。时间序列是一个动态变化的系统。根据深度信念网络是一种静态输入输出关系的映射，将递归神经网络的反馈机制引入到深度信念网络模型中，构建了基于受限玻尔兹曼机和递归神经网络的深度学习框架，将此框架应用于时间序列的点预测模型中。对比结果证明，提出的新框架具有更高质量的预测性能。
　　（3）提出了基于深度信念网络的上下界估计方法构建区间预测模型。常用于构建区间预测的方法——上下界估计方法是基于神经网络的。考虑到神经网络极易陷入局部极小值、收敛速度慢的缺陷，采用深度信念网络改进上下界估计方法，给出了基于深度信念网络的上下界估计方法，实验结果证明，使用此方法构建的时间序列区间预测模型具有更高的预测精度。
　　（4）将改进的深度信念网络应用到短期负荷功率预测。考虑到短期负荷功率预测对电力系统的重要性以及验证改进模型的泛化能力，将改进的深度信念网络分别应用到短期负荷功率的点预测和区间预测研究中，提高短期负荷功率的预测精度。根据负荷功率数据随时间周期性变化的特性和相似日的概念，使用改进的深度信念网络分析负荷数据在不同时刻、不同日期以及不同季节的预测表现。