短期电力负荷预测是能源行业的重要组成部分。准确的电力负荷预测可以大幅降低电网运行成本,是电力系统稳定高效运行的重要保障。随着智能电表和智能传感器的普及,电力负荷数据获取更为便利,为深度学习在电力负荷预测的应用提供大数据支持。电力负荷数据是一种时间序列数据,不仅具备时间序列特性,还具备其自身独有的特性。本文根据自相关性确定滞后窗口的大小,选择提前24小时、七天、八周和三个月的历史负荷数据,并结合节假日、温度等特征共同组成预测模型的输入。本文为了更准确地预测短期电力负荷,首先提出了基于卷积神经网络和长短期记忆网络（CNN-LSTM）的预测方法。CNN具有从输入模型中提取主要特征的优点,而LSTM能够捕获时间序列中的长期依赖关系,该模型结合了前面两种模型的优点。使用控制变量法得出CNN-LSTM模型中较好的一组超参数。为了证明模型的优越性,基于公开的电力负荷数据集,通过设计对比实验,将该模型与单一的CNN、LSTM、RNN、GRU、BP五种模型作对比。实验结果表明CNN-LSTM模型较单一LSTM、GRU、RNN、CNN、BP模型的MAPE值分别减少了2.2%、3.3%、5.1%、37.5%、35.6%。在上述研究的基础上,为了进一步提高预测精度,对CNN-LSTM模型进行改进,提出了基于注意力机制与时间卷积（TCNA-LSTM）的预测模型。TCN可以接收长距离的信息,能有效减少冗余特征,且具有更长的存储空间;残差连接可以将浅层信息传递到深层中;注意力机制可以捕获训练数据中的关键信息。为了证明模型的优越性,基于相同的数据集,通过设计对比实验,实验结果表明TCNA-LSTM模型较CNN-LSTM、LSTM、GRU、RNN、CNN、BP模型的MAPE值分别减少了73.7%、74.3%、74.6%、75.1%、83.1%、83.6%。