近年来随着坚强智能电网的迅速发展和电力市场改革的不断深入,精确的负荷预测为电力系统的正确决策提供了依据,也为电网的安全稳定经济运行带来了保障。正因如此,电网调度人员对负荷预测提出了更高的要求,希望负荷预测的算法能够更加优化,模型能更贴近实际,能考虑更多的影响因素,从而达到更高的预测精度。本文首先采用了基于模糊深度神经网络的短期负荷预测模型。首先对温度等输入变量采用模糊化处理,可有效衡量不确定性外部因素对负荷的影响。所构建的深度神经网络预测模型,采用多层受限玻尔兹曼机进行预训练,完成初始化,再利用粒子群优化算法进行权阈值的优化精调,模型具有较强的非线性处理能力,能包含更多的数据信息,从而可提高预测效果。经算例仿真结果表明模糊深度神经网络具有较高的预测精度。本文采用了基于模糊深度递归神经网络的短期负荷预测模型。该模型将具有Elman神经网络结构的承接层引入受限玻尔兹曼机中,即在受限玻尔兹曼机的可见层和隐含层基础上增加了承接层来反馈前一时刻的信息,使信息可靠性得到双重保障,增强了模型处理动态信息的能力。本章利用实际仿真数据对比了基于模糊深度递归神经网络、BP神经网络、Elman神经网络、模糊深度神经网络四种预测模型,结果表明基于模糊深度递归神经网络模型的预测效果更好,具有更强的预测稳定性。在电力市场推动下,由于实施分时电价,需求响应项目的加入势必会影响负荷变化,这对短期负荷预测提出了新要求。本文构造了考虑需求响应的模糊深度递归神经网络预测模型。首先利用隶属度函数划分了峰平谷时段,根据消费者心理学原理构造了需求响应负荷数据和需求响应信号,并采用模糊深度递归神经网络模型对其进行预测研究,经仿真验证,本文构建的考虑需求响应的模糊深度递归神经网络预测模型具有较好的预测性能。