随着现代科学技术的进一步发展,人们的日常活动对电力的需求呈现出了逐渐增加的趋势。而精确有效的区域电力负荷预测研究,不仅能帮助供电企业制定合理的电力分配计划,而且能提高电力调度效率以及降低电力输送损耗。因此,寻找一种具有较高精度的短期电力预测方法显得尤为重要。本文从沛县区域、工业园区和企业三个不同角度开展了短期电力负荷预测研究,分析了电力负荷、气象、时间等变量对负荷预测的影响,明确了负荷预测的输入参数,本文以堆叠自动编码器（SAE）网络框架为基础,将小波基函数（WBF）作为SAE网络传递函数,提出了小波堆叠自动编码器（WSAE）深层网络学习结构,将其应用于短期电力负荷预测中,并与极限学习机（ELM）、小波神经网络（WNN）和堆叠自动编码器（SAE）所建立的电力负荷预测模型进行了对比分析。论文主要研究内容如下:（1）对沛县区域、工业园区和企业短期电力历史负荷变换规律（包括电力负荷周期性、连续性和波动性）进行了分析,并研究了气象因素（最高/最低温度、雨量、最大风速、气压均值、相对湿度和空气质量指数）、时间因素（季节性变化和特殊日等）和随机因素对沛县地区（区域、工业园区和企业）短期电力预测的影响,结果表明,沛县区域、工业园区和企业短期电力历史负荷具有明显的周期性、连续性和波动性,而历史负荷、气象因素和时间因素等与未来沛县地区（区域、工业园区和企业）短期电力具有较强相关性。（2）以堆叠自动编码器（SAE）网络框架为基础,将小波基函数（WBF）引入SAE网络并将其作为传递函数,提出了一种新型深层网络结构学习算法-小波堆叠自动编码器（WSAE）,并在堆叠自动编码器（SAE）实现短期电力负荷预测方案的基础上,实现了基于小波堆叠自动编码器（WSAE）的沛县地区（区域、工业园区和企业）短期电力预测方案设计。（3）将小波堆叠自动编码器（WSAE）应用于沛县地区（区域、工业园区和企业）短期电力月负荷和日负荷预测研究中,并与极限学习机（ELM）模型、小波神经网络（WNN）模型和堆叠自动编码器（SAE）模型进行对比研究,结果表明,沛县地区（区域、工业园区和企业）短期电力月负荷和日负荷最佳预测模型均为WSAE模型,其次为SAE模型、WNN模型和ELM模型。其中,基于WSAE模型的沛县区域电力月负荷和日负荷预测的相关系数R~2分别达到了0.9043和0.9391;基于WSAE模型的沛县工业园区电力月负荷和日负荷预测的R~2分别为0.9659和0.9848;基于WSAE模型的沛县企业电力月负荷和日负荷预测的R~2分别为0.8966和0.9057。从所建立的模型网络深度来看,深层网络模型性能（WSAE模型和SAE模型）要优于浅层网络模型性能（WNN模型和ELM模型）;而相同深度网络模型中,以db4小波基函数为神经元的激活函数网络模型性能要优于以sigmoid函数为神经元的激活函数网络模型,即WSAE模型性能优于SAE模型,WNN模型性能优于ELM模型。此外,本文所建立的沛县区域、工业园区和企业电力负荷预测模型,不仅能为江苏省徐州市沛县地区电力配送和未来规划提供有效的参考,还能为其他地区短期电力预测研究提供一定的参照。