短期电力系统负荷预测对于合理的电源建设规划、电网发电量与负荷量的实时平衡、系统可靠性具有重要意义，可推进电力系统的管理现代化。深度学习通过多层神经网络的构建，具有深层次的特征提取和大数据处理能力，能够准确高效的拟合非线性、复杂关系。本文采用深度学习的方法对电力系统负荷进行短期预测，增强算法的准确性和可扩展性；设计基于残差拟合的Prophet模型进行日度负荷预测、基于注意力机制LSTM模型实现时分（15min）预测。本文主要工作如下：
　　为加强特征提取能力，采用探索性数据分析（Exploratory Data Analysis，EDA）方法研究数据分布、发现负荷、风力、温度等隐含规律，最大限度地从原始数据中提取特征以供算法和模型使用。首先从外部因素和实时负荷数据两方面建立特征工程：对定量数据用Z-score法标准化，对定性特征One-Hot编码。其次为提高预测精度，使用滑动均值方法检测异常值并采用加权平均法处理；并进一步采用精度较高的随机森林法对缺失数据进行填充，弥补数据缺失对模型学习能力的影响。利用窗口滑动法向前滑动多个天数对外部因素建立不同当前滑动日期下的多项历史统计量，提高特征表达丰富度。最后从电力系统负荷预测实际和数据集的特性出发，构建特征工程方便模型学习特征关系。
　　设计了基于残差拟合的先知（Prophet）模型电力负荷预测算法，实现对未来一到两周单个特性负荷输出的短期负荷预测。电力系统负荷预测是典型的时间序列预测模型，Prophet使用通用的时间序列模型，引入具有不同周期的季节性趋势。对时间序列不要求数据周期的固定性，把预测问题转变成了一个曲线拟合练习，实现对周期性和趋势性有效拟合，虽然模型中对随机项和误差进行设计，但是对于预测目标的相关性很高的外部因素以及其历史统计量拟合性较差。极端梯度提升（eXtreme Gradient Boosting，XGBoost）算法作为梯度提升决策树（Gradient Boosting Decision Tree，GBDT）的进一步改进，能对具有复杂特征的训练数据进行拟合。本文使用模型融合方法训练多个模型。根据训练的Prophet模型和XGBoost模型分别拟合测试数据的趋势项和残差项。为验证模型性能，本文以支持向量机（Support Vector Machine，SVM）作为基模型、对Prophet、基于残差拟合的Prophet三种算法进行性能提升对比，验证模型融合后预测精度。
　　为提高模型实时性，实现在短期范围内每天95个时间点的实时预测，本文从基于长短期记忆神经网络(Long Short-Term Memory，LSTM)的实时电力负荷预测网络结构出发，结合LSTM结构作为传统序列预测结构，其编解码器依赖固定长度向量难以捕获较长时间信息的缺点以及电力负荷预测数据序列信息长、内容多的特点，设计基于注意力机制的LSTM实时电力负荷预测网络结构，实现对未来一周内每天每隔一刻钟预测值连续输出。经过实验对比，加入注意力机制的LSTM模型明显优于单一LSTM模型，在实现了以15min为间隔的短期时分预测同时，其精度也高于基于残差拟合的LSTM模型并将平均绝对误差控制在2%±0.004。