短期家庭电力需求预测是智能电网规划、可持续能源利用和电力市场报价系统设计等领域的一个重要且富有挑战性的课题。由于普通家庭日常生活的多样性和以智能电表为唯一来源的数据维度单一性,传统的电力需求预测方法,诸如灰色模型、回归分析法、支持向量回归等,都难以对单一家庭用电情况进行准确的预测。而深度学习理论中的长短期记忆循环神经网络是一种处理序列建模问题的有效方法,尤其适用于家庭电力需求数据,这一类时间序列数据的处理。因此,本文基于长短期记忆循环神经网络对短期家庭电力需求预测做了以下工作:(1)研究了循环神经网络相关理论,根据家庭电力需求数据的特点,提出一种单变量短期家庭电力需求预测模型。该模型使用长短期记忆循环神经网络构建,克服了传统循环神经网络长期依赖问题,实现对1小时为单位家庭用电量的预测。(2)针对家庭电力数据维度单一的问题,提出一种混合深度神经网络CLSTM模型,通过引入卷积神经网络来提取电力序列数据特征,扩充特征维度,实现了对5分钟为单位的家庭电力需求预测,并通过实验与ARIMA、SVR、LSTM等方法进行了对比,证明了该模型的有效性。(3)为了给电力市场竞价引入更多的响应时间,在前期提出的CLSTM短期家庭电力需求预测模型的基础上,提出了一种K步连续电力需求预测方法,完成了对电力需求的多步预测,以更好地分析一段时间内的家庭电力需求变化。(4)设计实现家庭电力预测软件。该软件包含数据管理、预测模型、图形界面、辅助功能四个模块,对实际的家庭用电需求进行预测,能够对预测结果进行图形化展示,并配以使用指南、技术支持等辅助功能,使得交互更加人性化,提高了用户友好性。