负荷预测是电力系统规划的重要组成部分,直接影响着电网运行的安全性及可靠性,对负荷进行实时高精度的预测是提高整个电网的运行效率以及实现电力相关领域企业经营效益最大化的关键举措。传统的简单负荷预测模型擅长处理序列间的线性关系,在面对实际数据所具有的高度非线性特征时,其预测能力会显著降低。在当前大数据分析兴起和计算工具不断升级的大背景下,深度学习模型因其能高效挖掘数据间潜在的非线性关系而在电力负荷预测领域得到广泛应用。针对负荷预测问题,本文依托深度学习强大的特征学习能力,针对数据预处理、输入变量特征筛选以及组合预测模型的构建问题展开研究,具体内容如下:从理论基础出发,完成了历史负荷特性分析及数据预处理工作。首先通过负荷特性指标参数分别对电力负荷的日、月、年负荷特性进行深入分析。之后进入数据预处理阶段,即利用箱型图法对本论文实验所选用的英格兰地区2013年12月1日至2014年11月30日,共计包含六类影响因素在内的实时数据信息分类别进行异常值检测和修正。针对输入变量过多容易导致模型稳定性下降的问题,建立了有效的电力负荷主要影响因素的特征筛选与评价机制。在分别利用最大互信息系数法(MIC)、灰色关联度分析法(GRA)以及基于随机森林的平均不纯度减少法(MDI)完成电力负荷主要影响因素的筛选实验后,统一运用改进的MIV-BPNN算法对上述三种特征选择方法的筛选结果进行有效性判定,结果表明:灰色关联度分析法筛选出的主导影响因素最为准确。在解析电力负荷内在变化规律的基础上,提出了一种融合变分模态分解(Variational Mode Decomposition,VMD)技术和深度信念网络(Deep Belief Network,DBN)的组合预测算法VMD-DBN,并在负荷预测实验中获得了较高的预测精度。VMD-DBN组合算法首先依托VMD技术将原始负荷序列分解为一系列在时域频域上特征更加明显的模态函数,进而根据各模态函数所表现出的具体特征确定输入变量,之后利用DBN深度学习算法对其分别进行建模分析,最后将各模态函数在同一时间点上的预测数据进行累加得到最终的预测结果。通过将VMD-DBN算法与DBN以及经典算法BPNN、RBFNN在两个不同数据集上的预测结果进行比较,证实了所提算法的优越性。基于电力负荷序列潜在的线性和非线性特性,提出了一种融合线性模型自回归移动平均模型(Auto Regressive Moving Average,ARMA)和非线性模型长短时记忆神经网络(Long Short Memory Network,LSTM)的组合预测算法ARMA-LSTM,与多种单一算法相比,预测精度显著提高。ARMA-LSTM组合算法通过利用深度学习算法LSTM在挖掘数据非线性关系方面的能力对ARMA模型预测后得到的残差序列进行修正,以实现模型之间的优势互补,进而有效提高负荷预测精度。经过对单一ARMA、LSTM和SVM在两个不同数据集上预测结果的多维度对比之后,验证了所提算法在短期电力负荷预测上的有效性。