电力负荷预测是电力系统高效、稳定运行的重要基石,同时也是现代电力管理系统的重要组成部分。精准的电力负荷预测不仅可以增强电力系统运行的安全性与稳定性,同时还能减少电力系统运行成本。然而,在对某些区域进行负荷预测时,由于不可控因素的影响,电力负荷历史数据出现数据缺失或存储不足的现象,导致经典深度学习预测方法无法实现高精度的短期负荷预测。因此,本文借助迁移的思想,提出一种基于迁移电力负荷数据或预测模型参数的预测方法,解决历史数据匮乏时短期负荷预测精度低的问题。在实验数据充足的区域,建立1DCNN-LSTM短期负荷预测网络,充分挖掘气候信息、日期信息与电力负荷之间的关系,利用1DCNN网络能有效处理一维数据和在特征提取上的优势以及LSTM网络在长时序中能有效避免梯度爆炸和梯度消失的优势,建立短期负荷预测网络。以美国某区域电力负荷数据作为实验对象,展开实验,实验结果表明,所提出的1DCNN-LSTM短期负荷预测网络精度较高,实验结果符合预期设想。针对目的域电力负荷历史数据缺失或本身存储数量较少的情况,提出一种基于迁移相似域电力负荷历史数据的预测方法。在选定目的域的前提上,依据关联度选择合适的源域;为补充目的域数据,选择从源域迁移电力负荷数据,同时为了达到最好的预测效果,分别迁移不同数据量对目的域进行补充;以美国某九州的电力负荷历史数据为实验对象,对目的域分别迁移源域三、六、九个月电力负荷数据。实验结果表明,迁移电力负荷数据可以实现目的域数据少时对短期电力负荷预测的需求,且迁移数据量为六个月时预测精度最高。区别于迁移源域电力负荷数据,选择迁移源域训练完毕的预测模型参数,建立目的域的预测模型。与电力负荷数据迁移相同,迁移模型参数首先需要在目的域确定的情况下,依据关联度选择合适的源域,然后将源域训练完毕的模型参数迁移至目的域模型,为取得最好的预测效果,对其预测网络进行冻结和微调,最后以美国某区域电力负荷数据为实验对象,采用迁移甄选后的相似度最高的区域负荷预测模型参数的方法进行负荷预测实验,实验结果表明,该方法能有效解决目的域数据少时短期电力负荷预测困难的问题,预测精度能有效接近于源域模型预测精度甚至优于源域预测精度。