准确的短期电力负荷预测对保证电力系统的稳定运行、降低发电费用、避免资源浪费有着极其重要的意义。影响短期电力负荷变化的因素众多,多种影响因素的叠加导致电力负荷序列具有高度的非线性和不稳定性,通过信号分解方法将不同的负荷成分从原始负荷序列中分解出来进行分析将有助于提高负荷的预测精度。基于此,本文主要将信号分解方法与深度学习中的门控循环单元网络(GRU)相结合进行短期电力负荷预测的相关研究,论文的主要工作如下:首先,提出了融合外部影响因素的EMD-GRU短期负荷预测模型。该模型通过经验模态(EMD)分解,将复杂的原始负荷序列分解成若干包含原始负荷序列不同特征的子序列;然后针对分解得到的每一个子序列,分析其与外部相关影响因素(包括温度、日期类型等)的相关性大小,据此选出和每个子序列相关性较大的因素,作为分别对每一个子序列建立GRU预测模型时的输入特征;最后再将每个预测模型的预测结果进行叠加得到最终的预测结果。然后,提出了基于特征选择的EMD-GRU负荷预测模型。该模型在对原始负荷序列进行EMD分解的基础之上,引入过滤式特征选择方法中的皮尔逊相关系数法对分解得到的子序列和原始负荷序列之间的相关性进行分析,筛选出对原始负荷序列影响较大的子序列作为特征,结合原始负荷序列一起输入到GRU网络构建预测模型。通过将特征选择方法与EMD方法相结合构建预测模型,避免了直接对分解所得的多个子序列分别建模预测引入的多重随机误差,有效降低了模型的整体复杂度,提高了整体的预测精度和速度。最后,提出了基于二次分解和时间序列聚类的短期负荷预测模型。首先,基于自适应噪声的完备经验模态分解(CEEMDAN)方法将原始负荷序列分解为若干子序列;然后针对分解完的高频子序列预测误差较大的问题,计算各个子序列的波动率,对高波动率的子序列使用变分模态分解(VMD)方法进行二次分解,避免直接将其去除所带来的特征损失,使得原始负荷序列的特征可以得到充分利用;其次使用基于动态时间规整(DTW)的AP聚类方法将所有的子序列进行聚类,使得变化趋势相似的子序列聚集在一起进行重构;最后,为进一步提高预测精度,该混合预测模型还引入基于误差校正的双重GRU模型,对聚类重构之后的序列进行建模预测。