电能生产与国民经济发展联系紧密。超额生产或缺额生产会影响电力系统运行稳定性。因此,精准的负荷预测技术在规模不断扩大的电网环境下具有现实意义。传统负荷预测方法因特征提取能力不足等问题难以应付电网调控需求。针对现有负荷预测方法的不足,本文结合深度学习对短期电力负荷预测模型进行设计,并与多种负荷预测模型进行预测效果对比,说明所提负荷预测模型在预测精度和训练速度上的优越性。首先,对电力系统负荷预测问题进行分析。探究电力负荷预测概念、分类、特点、精度所受影响因素与预测模型的基本原则,分析国内外各种负荷预测模型,并结合负荷预测模型评估指标,对负荷预测问题解决步骤进行阐述,设计预测模型实施预测的总体流程。其次,对深度学习在短期负荷预测中的应用进行研究。介绍神经网络与深度学习的常用模型的基本理论,对负荷预测步骤、数据预处理和所用数据集划分进行介绍,对LSTM、GRU、SVR、DBN和XGBoost负荷预测模型的优劣性进行分析。最后,对短期负荷预测问题进行研究。通过建立CNN-LSTM模型,实现输入特征数受限情况下的主动特征丰富。通过建立并行多模型融合模型,实现输入负荷数据特征丰富时多维度的特征提取,并将所提模型与XGBoost算法结合误差倒数法构建组合预测模型,实现误差精度的进一步提升。结合以上研究,运用Python语言在PyCharm与Jupyter Notebook两种环境下进行预测运算。算例结果表明,CNN-LSTM短期预测模型的MAPE为0.608%,在仅有负荷数据的情况下实现了预测精度与训练速度的提升;并行多模型融合短期负荷预测方法的MAPE为2.677%,在输入数据特征丰富的情况下实现了短期负荷预测精度的提升,两种模型均解决了短期负荷预测精度不足的问题,有助于电网运行成本的降低,提升电网调控能力。