短期负荷预测是电力系统生产、分配和使用中非常重要一个环节,根据短期负荷预测的结果能够有效地实现机组的最佳组合,为经济调度提出实际依据,同时也能够帮助电力市场安全有效地交易。精准的短期电力负荷预测能够提高发电设备的利用率和经济调度的有效性。在智能电网环境下,随着分布式发电、储能装置、电动汽车的发展,传统的电力负荷预测方法已经不能满足人们的需求。论文针对传统神经网络在短期负荷预测中预测精度较低的问题,结合深度学习理论构建了一种基于改进粒子群算法和深度双向长短期记忆网络模型的短期负荷预测方法,该模型具有较好的预测效果,且预测精度要明显高于传统的预测方法。能够实现精准、有效的短期负荷预测。具体研究内容如下:1)首先分析了电力系统负荷预测的分类和特点,并且通过研究发现负荷数据具有一定的日周期性和周周期性;通过对电力系统负荷预测的影响因素进行分析,结合负荷的周期性的特点,筛选出预测模型的训练数据,并对训练数据进行预处理和特征提取。2)介绍了深度学习的基本理论和步骤,详细概述了常见的深度学习算法在负荷预测中的优势与不足,基于此提出了一种改进的长短期记忆网络—一双向长短期记忆网络,利用网络的双向性能够同时考虑时序性数据历史信息和未来信息的特点,使用深度双向长短期记忆网络结合Adamax优化算法对输入负荷数据和负荷实际输出序列之间的非线性关系建立网络模型。3)针对神经网络预测时由于初始权重值随机取值带来的精度不佳问题,提出了一种基于自适应惯性权重的改进粒子群算法,利用改进的粒子群算法对深度双向长短期记忆网络节点的初始权重值进行优化,经过仿真证明,改进粒子群算法在一定程度上提高了预测精度。