短期负荷预测作为电力系统运行和控制的一项基础性工作,在电力运行与调度、电机启停等方面都发挥着重要的作用。由于电力负荷数据属于一个随机非平稳序列,完全准确的预测是不可能的,因此研究者们一直致力于提升预测的精度。深度学习具有自学习、泛化能力强等优点,已被广泛应用于短期负荷预测中。在这一基础上,本文主要研究使用深度学习的方法实现短期负荷预测。首先,在智能电网中构建了基于边缘计算的深度学习负荷预测框架。基于该架构,提出了基于深度强化学习的负荷预测任务调度策略,将部分预测任务从云数据中心调度到边缘设备中执行,从而可以有效的减少负荷预测的延迟和能耗。随后,本文提出了两种基于深度学习的用户短期负荷预测方法。一方面,针对对短期负荷预测模型的参数维度过高的问题,提出一个基于深度学习的日时分步负荷预测方法。另一方面,智能电网中负荷预测的任务规模大,提出了基于深度学习的用户聚类短期负荷预测方法。基于用户实际负荷数据,验证了上述两种方法的有效性。主要贡献概括如下:(1)针对基于深度学习的负荷预测模型存在的高能耗、高延迟问题,建立了基于边缘计算的深度学习负荷预测架构。本文分别从负荷预测的数据传输、数据处理、任务控制三个层面来阐述。基于此架构,提出了基于深度强化学习的负荷预测任务调度策略。该策略根据任务计算量的大小,以及当前负荷预测系统的服务质量,将预测任务分配去云端或边缘执行。仿真结果表明,该策略实现了负荷预测系统的任务负载均衡,提高了短期负荷预测效率。(2)针对用户短期负荷预测模型的参数维度过高的问题,提出了基于深度学习的日时分步负荷预测方法。该方法先使用高维度特征进行用户的日总负荷预测,再根据日总负荷以及选取的低维度特征进行每时的负荷预测。在该方法中,为用户的日总负荷和每时的负荷分别建立深度循环神经网络模型。仿真结果表明,该方法能够简化负荷预测模型的同时提高负荷预测精度。(3)针对每个用户的负荷预测,会导致智能电网中过大任务量。另外,对于单用户的预测会出现过拟合问题。提出了基于动态时间规整和长短期记忆(DTW-LSTM)短期负荷预测方法。该方法将所有具有相似用电行为的用户进行聚类,通过对同类用户池化的方法解决了过拟合问题。仿真结果表明,该方法能够在减少任务量的同时,提高了负荷预测精度。