目前,随着我国电力系统的飞速发展和售电侧市场化改革的进一步推进,现行的电力零售市场定价方法不能及时反应市场供需状况和电力应用成本的问题逐渐显现。在售电侧放开的电力市场中,电力零售商作为新型主体,其合理完备的定价机制对有效调节供需均衡、提高电力资源配置效率具有重要作用。因此,研究基于需求响应的分时定价机制对我国电力体制改革的推进和电力资源的合理配置有着重要的理论意义和一定的实际应用价值。建立了基于AT-Bi LSTM-LSTM神经网络的需求响应模型。在分析证明电价与电力需求之间存在强相关性的基础上,以电价作为输入,结合Bi LSTM的双向时序特征提取、Attention机制的分配特征权重和LSTM时序预测的优点,建立了基于ATBi LSTM-LSTM神经网络的需求响应模型,并采用多个电力数据集进行仿真实验,结果表明,与传统的预测方法相比,本文所提出的模型具有更高的预测精度。同时,考虑到电力需求的不确定性,使用概率密度的方式对需求的不确定性进行描述,建立了基于AT-Bi LSTM-LSTM-QR神经网络的需求响应概率模型。实验结果表明,本文提出的需求响应概率模型具有更高的预测间隔覆盖概率和更小的预测间隔宽度。在得到需求响应模型的基础上,研究了基于需求响应模型和Stackelberg博弈的分时定价机制。以零售商和电力用户为博弈主体,使用需求响应模型代替传统博弈模型中的用户效用函数,建立了Stackelberg分时定价博弈模型,给出了零售商决策模型和求解分时定价机制的双层优化框架。通过实验证明本文所提出的分时定价机制可以有效地减小日负荷偏差、降低成本风险、提高用户满意度和增大零售商预期利润。同时,针对需求响应的不确定性,以需求响应概率模型作为用户的效用函数,建立了不完全信息的Stackelberg分时定价博弈模型。实验证明:该模型下制定的分时定价机制可以进一步降低零售商的成本风险。此外,论文还研究了零售商风险偏好对分时定价决策结果的影响,并给出了相关结论。