改革开放以来,随着国民经济和工商业的迅速发展,电能的需求量越来越大。大量负荷介入导致电力系统的发、输、变、配、用等环节变得越来越复杂。电能具有即发即用的特性,难以大量储存。电力系统需要根据电能需求安排发电机组启停计划、电力调度计划、电网运行计划等。精确的负荷预测不仅可以降低电力系统的运行成本,还可以提高电力系统的调度效率。根据负荷预测的目的和周期不同,可以将其分为四类:长期、中期、短期和超短期负荷预测。预测周期越长,负荷受的影响因素越多;预测周期越短,影响因素会越来越难以被量化。短期负荷预测是电力负荷预测中非常重要的一环,很多学者都对短期负荷预测问题进行了深入的研究。由于电力系统中用电负荷和发电系统的组成越来越复杂,短期负荷预测也随之需要更高的预测精度和效率来保证电力系统各个环节的稳定运行。经过几十年的研究,短期负荷预测方法越来越多样化,负荷预测的准确率和效率也越来越高,预测的鲁棒性也越来越强。在各类预测方法中,性能最好的就是神经网络,利用其处理非线性问题的强大能力,能够很好地处理短期负荷与其众多影响因素之间的隐藏关系,从而更好的拟合负荷曲线,提高预测的精度。本文的主要研究内容如下:（1）由于DenseNet与残差网络（ResNet）相比,DenseNet的连接更密集,能够直接连接来自不同层的特征,从而实现对特征的复用和效率的提升。因此,本文将深度残差网络中的残差块替换成密集卷积块,然后结合LSTM在处理时间序列问题上的良好表现,提出组合模型DDN-LSTM。在模型的激活函数、网络的深度和模型的结构方面进行探究,得到模型的最佳预测精度,并与主流负荷预测方法进行对比。（2）双向长短期记忆网络具有两个隐藏层,可以同时处理过去和未来两个时间维度上的数据流,这两个数据流相向传播,正向传播和反向传播的隐藏层之间相互独立。由于其网络结构上的特性,BiLSTM对于时间序列问题具有非常好的效果。由于注意力机制能够关注数据中对负荷影响较大的部分,将二者结合,建立基于Attention-BiLSTM的深度神经网络,通过训练模型来进行超参数寻优,对模型的深度、模型的结构进行讨论并在数据集ISO-NE上进行验证,证明模型的精确性和高效性。