电能是关系国民经济发展的重要能源,负责生产、输送、分配、使用电能的电力系统是一个非常复杂的系统,高精度的电力系统短期负荷预测是保证电力系统可靠运行的重要依据。随着电力系统的不断发展,短期负荷预测的难度大大增加,提出合理有效的预测模型越来越成为目前研究的重点。电力负荷受多种因素的影响,传统的预测模型难以满足当前环境下对预测精度的要求。为了提高预测精度,降低电力生产成本,对在预测领域效果较好的人工神经网络进行了研究,重点分析了神经网络中的门控循环单元（Gated Recurrent Unit,GRU）神经网络,对传统的GRU神经网络进行改进,提出了多种预测模型。GRU神经网络在预测过程中考虑了预测点以前时刻的输入信息,与其他神经网络相比可以对输入信息进行更有效的利用,通过可以实现全局寻优的粒子群优化算法（Particle Swarm Optimization,PSO）对GRU神经网络进行优化,可以较好地提升预测效果,经过算例仿真可以得出,通过PSO算法优化的GRU神经网络具有较高的精度与稳定性。为了对输入信息进行更充分的利用,提出了一种基于PSO算法优化双向加权GRU神经网络的预测模型,将GRU神经网络的预测过程分为正向与反向两个方向进行,并对两个方向的隐含层信息进行加权求和处理,利用PSO算法对两个方向GRU神经网络的权重以及加权求和的系数进行训练,有效提升了预测效果。为提高预测模型的稳定性与泛化能力,提出了一种基于Bagging算法的双向加权GRU集成神经网络预测模型,将双向GRU神经网络作为Bagging集成算法中的基学习器,对多个基学习器的输出进行取平均值处理进而得出预测结果,进一步提升了模型的预测精度。将脊波函数作为双向GRU神经网络的激励函数,得出了双向脊波GRU神经网络,有效提高了双向GRU神经网络对非线性函数的表达能力,将双向脊波GRU神经网络作为Bagging算法中的基学习器,得到了一种基于Bagging算法的双向脊波GRU集成神经网络预测模型,经过算例仿真证明了所提模型具有更加理想的预测效果。