电力负荷预测对电力系统调度规划起至关重要的作用,是电力系统经济运行的基础。随着我国经济与科技的快速发展,人民的生活水平不断提高,工业与居民的用电需求也在迅速增长。近年来,接入电网的负荷类型与数量不断增多,尤其是大量分布式可再生能源以及电动汽车等新型负荷的接入,使得各地区电力负荷的变化呈现更严重的随机性,对电力负荷预测方法的精确性与时效性提出了更高的要求。本文对短期电力负荷预测方法进行了研究,所做工作如下:首先,分析了国内外电力负荷预测领域的研究现状,总结归纳了影响电力负荷变化的因素,并对传统电力预测特征提取的方法进行了研究与改进。电力负荷预测特征通常包括相似日、历史负荷序列等内部特征,以及日期、天气、温度、湿度、空气质量等外部特征。本文基于实际数据集选取了23维电力负荷预测特征,利用皮尔逊相关分析法对特征进行初步筛选,保留与负荷变化相关性较高的特征组成初始特征集,再利用主成分分析法对初始特征集进行降维处理,以探究可以表征负荷变化的最小维度特征表示,从而提升预测模型的泛化能力。其次,分析了传统短期电力负荷预测方法的优缺点,基于深度学习中卷积神经网络与循环神经网络的优势,提出了一种基于Attention机制的CNN-BiGRU混合神经网络预测模型,利用CNN网络提取预测特征与负荷数据在高维空间的联系,构造时序序列的高维特征向量,将其输入到BiGRU网络中拟合得到预测结果,同时在CNN网络中嵌入CBAM注意力机制,在BiGRU网络后加入自注意力机制,以增加模型对负荷特征中重要信息的聚焦能力,有效提升模型在处理时序数据拟合问题时的性能。最后,基于第九届电工数学建模竞赛提供的浙江省某地区负荷数据,分别设置了基模型、CNN网络组合模型以及注意力机制组合模型共3组对比实验。首先,对随机森林、SVR、BP神经网络、BiLSTM以及BiGRU网络等基模型的预测结果进行对比,结果表明BiLSTM以及BiGRU等时间序列网络具有更好的预测精度;其次,搭建了CNN-BiLSTM以及CNN-BiGRU模型对CNN组合模型的性能进行分析,结果表明CNN与时间序列网络结合可以显著提升模型的预测精度;最后,搭建了包括本文所提模型在内的3组注意力机制模型进行对比实验,结果表明,本文所提预测模型在预测精度与预测效率方面具有显著优势。本文的研究成果对于提升电力负荷预测的精确性与时效性具有一定的参考价值与实用价值。