短期负荷的准确预测对电力系统的安全、稳定、经济运行具有重要意义。要想实现上述目标,一个基础且重要的环节便是分析短期负荷的特性及其波动的影响因素。传统的短期负荷预测方法在处理海量数据、非线性映射能力方面仍有不足。近年来,以人工智能技术为代表的信息技术正在使包括金融、医疗、安防在内的诸多行业发生巨大的变革。与此同时,随着我国建设坚强智能电网的不断深入,中国电力企业进一步提出建设泛在电力物联网的目标,这说明利用以深度学习算法为核心的新一代人工智能技术解决短期负荷预测问题已经具备了技术基础和实际需要。为了紧跟时代潮流、提升短期负荷预测方法的非线性映射能力、探索利用深度学习算法解决短期负荷预测问题的新途径,论文主要进行了以下研究:(1)基于实际数据对短期负荷的特性及其波动的影响因素进行了分析,构造数据集合。首先通过定性分析的方式,确定了短期负荷的周期特性和天气、季节、日期类型三类主要影响因素;其次对于不同的天气因素进一步采用距离相关系数衡量其与短期负荷的相关性,筛选出相关性较强的天气因素;最后对筛选出的各类因素、历史负荷数据等进行数据预处理,构造用于短期负荷预测的数据集合。(2)针对短期负荷的确定性预测,提出了一种基于多神经网络融合的短期负荷确定性预测方法。该方法的核心算法采用并行架构,融合了卷积神经网络、门控循环单元网络、注意力机制网络和Maxout网络,使用前述数据集合训练后用于短期负荷的确定性预测,预测结果证明了该方法具有优越性。(3)针对短期负荷的概率性预测,提出了一种基于时间卷积网络分位数回归的短期负荷概率性预测方法。该方法将融合注意力机制的时间卷积网络与分位数回归理论相结合,可以得到不同分位数条件下的负荷预测结果及其概率密度分布,采用前述数据集合进行了验证,预测结果证明了该方法的有效性。