随着智能电网的迅速发展,大规模新能源电动汽车的逐渐接入以及电力市场的不断改革,使得影响负荷变化的随机因素增多,负荷的波动性越来越复杂。短期负荷预测对于电网的安全稳定和经济运行有着十分重要的意义。面对智能电网下负荷新的特点,传统的负荷预测方法不再完全适用,有必要研究新方法以提高短期负荷预测的准确性与可靠性。因此,本文结合智能电网的负荷特性,从负荷预测影响因素和负荷预测算法两个方面展开智能配电网下的短期负荷预测研究。首先,分析了智能配电网的负荷特性以及影响负荷变化的因素。然后对预测所使用的负荷以及气象数据进行异常识别和预处理,并根据时间信息建立了时间特征序列。最后采用皮尔逊相关系数和最大信息系数对时间和气象因素进行相关性分析,选择与负荷相关性较强的外在因素参与训练以提高负荷预测的精度。然后,针对单一预测波动性电力负荷时精度不高的问题,提出了基于EMD-GRU的负荷预测模型。首先将电力负荷的变化作为是多种基本特征的叠加,使用经验模态分解（EMD）将原始负荷数据分解得到有限个具有本征模态函数（IMF）的分量。然后对所有分量建立了多层门控循环神经网络（GRU）进行预测,并在网络中加入注意力机制,对历史数据中关键信息特征赋予较大的权重。最后,依据贵州某地实际负荷数据,将所提方法的预测结果与传统直接预测方法的结果进行了对比分析,结果表明所提方法具有较好的预测精度。最后,计及影响智能配电网负荷变化的多因素,提出了计及多因素的EMD-CNNGRU深度学习模型。首先对EMD-GRU模型进行改进,加入卷积神经网络对大量输入历史数据进行特征提取;其次,分别计及智能配电网中影响负荷变化的含时间和气象的常规因素、需求侧响应下的实时电价因素,结合贵州以及澳大利亚等不同区域的智能电网,采用实际负荷数据进行实例分析。最后,通过分量预测、日负荷预测以及改进模型预测的误差对比和分析,结果表明:本文提出的模型能够进一步提升负荷预测精度,计及外在常规因素以及电价因素的负荷预测精度要优于只考虑负荷本身的预测精度;此外,分析了电动汽车的负荷预测结果对配网负荷的影响,从而可提前采取相应措施以降低配电网的峰谷差。