随着电能的广泛应用,世界各国经济的发展都越来越依赖电力,对电能的需求和用电质量的要求也越来越高。由于电能的特殊性,不能大量存储,需要即发即用,要在生产电能、传输电能和使用电能之间建立平衡状态,需要对电力系统中的负荷用量进行准确估计。因此,本论文针对电力系统短期负荷预测,研究了一种基于相似日和循环神经网络的短期电力负荷预测方法与一种基于改进鲸鱼算法优化循环神经网络的短期电力负荷预测模型。在分析影响电力负荷相关因素后,选定待选相似日区间,构造气象特征向量,使用灰色关联分析法选取相似日,提出了一种基于灰色关联度的相似日选取方法。研究了基于相似日的短期电力负荷预测循环神经网络模型,分析了循环神经网络与BP神经网络的相关参数选择,采用动态学习率、小批量训练法来进行循环神经网络的训练,重点研究了循环神经网络中隐藏层层数对网络拟合效果的影响。采用深度学习框架PyTorch,编程语言Python搭建循环神经网络模型,并与BP神经网络进行对比试验,验证了基于相似日的循环神经网络模型的优越性,其可较准确地进行短期电力负荷预测。循环神经网络易陷入局部最优,导致某些负荷点的预测精度较差。鲸鱼优化算法优秀的全局优化能力可以使循环神经网络避免陷入局部最优状态,但鲸鱼算法在高维优化问题中表现不佳。将具有高维全局优化能力的差异进化算法与鲸鱼算法结合,每次迭代时利用差异进化算法中的突变策略为除最优鲸鱼以外的每一个鲸鱼个体生成突变项,通过鲸鱼算法中的收缩环绕机制或螺旋机制更新鲸鱼位置,直至适应度函数收敛。采用改进的鲸鱼算法来优化循环神经网络的权重,再使用梯度下降算法对神经网络进行训练。采用深度学习框架PyTorch,编程语言Python搭建未使用鲸鱼算法优化的循环神经网络模型、基于标准鲸鱼算法的循环神经网络模型、基于改进鲸鱼算法的循环神经网络模型。通过5个典型日的三种网络预测与测试集总误差,验证了通过改进鲸鱼算法优化的循环神经网络不易陷入局部最优状态,预测精度较高。