短期负荷预测是智能电网能源管理系统的重要组成部分之一。气象因素对短期负荷预测精度影响巨大。本文基于智能电网大数据环境下,在历史负荷数据与气象因素相关性分析的基础上,提出了采用Fisher信息处理气象因素的建模方法,并结合BP神经网络、深度置信网络(DBN)和新型的RBM-Elman网络的预测模型进行实例验证。长期以来,气象因素都是短期负荷预测中重点研究的影响因素之一,适合的气象因素的处理方法能够提高最终的预测精度。Fisher信息理论恰好提供了一种通过监测系统变量来监测系统状态和状态变化的方法。运用Fisher信息可以较好的解决气象因素引入短期负荷预测的问题。本文首先介绍了单气象因素和多气象因素的Fisher信息处理方法,并验证了其有效性。其次介绍了基于Fisher信息的特征选择,解决了众多的特征输入量的选择问题,进一步提高了预测精度和速度。近年来,深度学习算法在短期负荷预测中的应用越来越广泛。本文首先介绍了BP神经网络,在此基础上,探讨了深度置信网络和新型的RBM-Elman网络在短期负荷预测中的应用。深度置信网络是由多层受限玻尔兹曼机(RBM)和一层BP神经网络组成,克服了传统网络的收敛速度慢和陷入局部极值的问题,能够给出更好的预测精度。进一步,提出了一种新型的网络结构——RBM-Elman网络。不同于静态的BP网络,Elman网络是一个动态递归网络。新型网络使用RBM初始化Elman网络的参数,克服了BP网络随机初始化参数的问题,进一步提高了短期负荷预测的精度。最后结合基于Fisher信息的气象因素建模方法和BP、DBN和RBM-Elman预测模型,进行了仿真验证。结果表明:采用Fisher信息的模型预测结果优于不采用Fisher信息的模型,采用Fisher信息特征选择的模型在预测精度上优于不采用特征选择的模型,DBN模型和RBM-Elman模型在预测精度上明显优于BP网络。