短期电力负荷预测是电力系统管理和运营中必不可少的一部分,可以为电力系统的调度和运行提供参考依据,优化电力系统的负荷分配和发电计划,帮助电力市场制定合理的电力价格和供需策略,促进电力市场的公平、公正和高效运行,为政府和企业预测能源规划,通过调整负荷需求达到节能减排的要求,还可以及时发现电力系统中负荷突变等异常情况,保障电力系统的安全稳定运行等。因此有必要做好短期电力负荷预测。为了做好短期电力负荷预测,提高预测精度,本文利用神经网络在处理时间序列数据中的优势,使用门控循环单元（Gated Recurrent Unit,GRU）、卷积神经网络（Convolutional Neural Network,CNN）、注意力机制（Attention）等神经网络方法,初步建立GRU-CNN深度神经网络,又通过实验讨论了注意力机制在网络中不同位置的影响,建立了GRU-CNN-Attention深度神经网络模型。该模型首先使用孤立森林算法筛选出不良负荷数据并用拉格朗日插值法进行修正,然后将历史负荷数据通过GRU网络按时序提取出负荷特征,利用CNN挖掘隐含在负荷序列中的规律,最后引入Attention机制提高预测精度。本文分别对GRU、GRU-CNN、GRU-CNN-Attention三种模型采用负荷数据集进行预测,引入平均绝对误差、均方根误差和平均绝对百分比误差三种误差评价指标来分析模型的性能。从最终预测结果来看,GRU-CNN-Attention模型的性能较好。针对CNN易产生梯度消失和爆炸、对长序列建模能力不强和超参数较多等问题,利用时间卷积网络（Temporal Convolutional Network,TCN）中的扩张因果卷积层能够更好处理长时间序列,以及负荷序列特征能够在残差连接中传递的特点,本文使用TCN搭建深度神经网络模型GRU-TCN-Attention,通过多次实验确定TCN中扩张卷积系数和残差堆栈数,引入历史负荷数据与GRU-CNN-Attention模型进行精度对比。经过论证,GRU-TCN-Attention模型具有更好的预测效果。针对负荷序列的非线性和随机性等特点,本文引入完全自适应噪声集合经验模态分解（Complete Ensemble Empirical Mode Decomposition with Adaptive Noise,CEEMDAN）,将数据预处理后的负荷数据添加高斯白噪声,分解成一系列规律性较强的周期性分量,使深度神经网络模型更易提取出负荷序列中的特征。本文分别对加入CEEMDAN方法和不加入CEEMDAN方法的模型使用负荷数据进行分析,实验结果表明加入CEEMDAN的模型的预测结果更为精确,证明了加入CEEMDAN方法是有效的、可行的。