电力系统负荷预测是电力系统规划的重要组成部分,是确保社会生产安全稳定的重要环节。目前随着科技的不断发展,人们生活质量的不断提高,电力企业越来越追求更高精度的电力负荷预测。过去很多负荷预测研究文章并未对影响因素进行统计分析,而是选取一些通用的负荷影响因素,比如温度,气象等因素来进行负荷预测。伴随着社会发展的同时,人们生活内容也逐渐丰富,对现代电力负荷影响的因素也逐渐丰富变化。所以,这就需要人们对电力负荷进行分析,理清其内部和外部影响因素的相互关系。同时过去单一的统计预测模型比较简单,预测精度低,组合预测模型和深度神经网络在电力负荷预测领域的运用是目前研究的主要热点方向。本文从两方面出发,一是关于短期电力负荷预测内部和外部影响因素分析建模,二是关于短期电力负荷预测方法的研究。电力负荷内部影响因素是指影响预测日负荷的历史负荷序列,电力负荷外部影响因素为气象,温度,空气质量等外在因素。首先选出24个电力负荷影响因素,并将其进行量化处理。其次利用皮尔逊相关系数法对这24个影响因素与阳泉市短期电力负荷之间的相关性进行分析,找出真正影响当地短期负荷的影响因素,并分析不同影响因素对当地负荷的影响。然后对相关系数大的影响因素进行VAR分析,研究了这些与阳泉市负荷高相关性的外在因素的历史数据对预测日负荷的影响。经过相关分析和VAR模型选择的影响因素相对全面和准确,但是不可避免增加了预测模型的输入维度,过高的输入变量维度将会影响预测模型的泛化性,从而影响预测的精确性。最后利用主成分分析法可以将原来的一些具有相关性的指标重新组合成几个互不相关的综合指标来代替原来的指标,从而降低输入指标维度。选取了阳泉市2015年3月1日到10月31日的数据,共计245天,来进行实证分析。其中前241天的数据为训练集,后4天数据为预测集。作为传统神经网络的研究热点之一——极限学习机(ELM),本文在传统极限学习机基础上和核函数相结合,并利用改进后的蝙蝠优化算法来优化核极限学习机,预测结果表明改进后的模型在稳定性和精确性上都得到了提升。作为深度神经网络研究热点之一——长短期记忆神经网络(LSTM),本文将其预测结果与传统神经网络代表BP神经网络和自适应蝙蝠算法优化核极限学习机(IBA-KELM)预测结果进行了比较。预测结果表明,在阳泉地区短期负荷历史数据具备高度相关性的情况下,LSTM深度神经网络的拟合性更好,展现了深度学习在负荷预测领域的发展前景。