电力系统的安全稳定运行与国民经济的发展及社会人身财产安全息息相关。准确的短期负荷预测结果是电网指导电力系统制定发电计划、协调机组运行、调度负荷分配及制定检修计划的重要依据。随着智能电网的发展及越来越多的分布式电源的接入,影响短期负荷预测结果的因素更加复杂,使负荷呈现更强的非线性,这种严峻的环境也对短期负荷预测的准确度和适应性提出了更高的要求。电力系统的负荷由于数据量庞大、受众多因素影响等使其具有随机性、非线性、时序性等特点。卷积神经网络(Convolutional Neural Networks,CNN)能够深入挖掘信息的多重特点并从中获得有用的特征描述,是一种准确高效的特征提取方法。本文结合负荷序列的特点,使用CNN来对电力系统短期负荷进行预测,具体如下:结合负荷预测的实际特点,确定了适用于负荷序列数据预测领域的卷积神经网络模型。针对传统反向传播算法容易带来收敛缓慢甚至不收敛的问题,采用粒子群优化算法(Particle Swarm Optimization,PSO)来对卷积神经网络的连接参数进行优化,提高全局寻优能力和收敛速度。仿真证明CNN能通过其卷积层及池化层有效提取样本信息,经粒子群优化后,在预测精度和预测速度上也取得了不错的效果。为进一步提高卷积神经网络的预测精度和稳定性,考虑到样本数据采集过程中因外部因素或冲击负荷等状况的影响会存在一定的噪声数据,提出了基于自编码器(autoencoder,AE)与PSOA-CNN结合的改进卷积神经网络预测模型。自编码器可通过数据重构从而降低所需数据的噪声变量,再利用粒子群算法全局寻优能力优化CNN的权值及阈值,使模型的预测性能有效提高。将卷积神经网络非连续特征提取能力与长短时记忆神经网络(Long Short-Term Memory,LSTM)的时序学习能力相结合,提出了两种基于AE-PSOA-CNN与LSTM的短期负荷预测模型。基于AE-PSOA-CNN与LSTM结合的短期负荷预测模型将AE-PSOA-CNN提取的特征向量以序列的方式代替原始数据作为LSTM的输入,再使用粒子群算法及Adam算法分别对两个模型参数进行优化。基于AE-PSOA-CNN与LSTM组合的短期负荷预测模型,使用两个模型分别对数据不同特征进行学习,BP神经网络取最优权重后输出预测结果。仿真验证该组合思想既能进行回归预测,又考虑了数据之间的相关性。其中AE-PSOA-CNN与LSTM结合的短期负荷预测模型有更佳的预测性能。