短期电力负荷预测在建筑系统控制、电网管理、储能管理等方面具有广泛的应用。对于电力公司来说,在接下来的几分钟或几小时内的预测可以用来规划能源调度和改进现有电力资源的管理,特别是在高峰需求时期。因此,准确预测居民用电量对制定能源计划、保障电力系统安全运行具有重要意义。短期电力负荷预测是维持电力系统正常运行的有效技术手段。电力经济调度、储能调度和电力市场交易等流程严重依赖电力负荷预测的精确度。受各种因素的影响,包括天气,社会和经济方面等,短期电力负荷预测是一个复杂的非线性问题,意味着对于大量的历史用电数据需要先进的计算方法来处理才能获得更准确的预测结果。基于此,本文提出了一个基于卷积神经网络的深度学习框架（convolutional neural network+long short-term memory neural network,CNN-LSTM）,并使用以5分钟为单位的家庭用电数据集进行训练,通过实验与自回归综合移动平均模型、支持向量回归模型和LSTM模型进行对比,证明其在电力负荷预测方面的优越性。通过研究注意力机制相关理论,根据家庭电力负荷数据的特点,提出了基于自注意力机制的Transformer的电力负荷预测模型。在Transformer模型中,可以允许对过去任何时间的序列数据进行访问,这一特性使其更适合于在时间序列中寻找长期依赖关系,从而可以获得更有价值的信息。基于以上优点,Transformer模型比其他传统方法更容易实现时间序列预测的并行化。该模型实现了对以1小时为单位家庭用电量的预测,并与多层感知机、时间卷积神经网络和双向LSTM模型进行了对比实验,实验结果表明Transformer模型对于1小时家庭用电数据的预测具有科学性和有效性。