随着智能电网的发展,准确的电力负荷预测变得越来越重要,因为它可以帮助电力公司更好地进行负荷调度并减少过多的电力生产。智能电网中的日常运营和规划需要提前一天对其客户进行负荷预测。然而,电力负荷预测是一项具有挑战性的任务,因为它依赖于外部因素,如气象和外生变量,其困难之处在于影响因素繁多,且规律变化万千无从寻觅。本文先阐述了短期电力负荷预测的背景及意义,机器学习应用于智能电网负荷预测的研究现状。再对某地区电力负荷的周期性、节假日进行了分析,进而通过仿真分析了负荷与部分气象因素的关系,得到了几个相关性较高的影响负荷预测的因素。然后为克服目前负荷预测精度低的局限性,通过对历史负荷数据的预处理和对影响负荷预测相关因素的归一化处理,建立了最小二乘支持向量机(LSSVM)模型。由于LS-LVM对大样本数据的训练难以实施,因此建立了BP神经网络模型和RBF神经网络模型。由于神经网络模型的固有缺点使得最终预测结果欠佳,因此建立了基于深度置信网络(DBN)的负荷预测模型。该模型先利用多层的受限玻尔兹曼机对输入变量进行特征提取,然后通过顶层BP神经网络单元对负荷进行预测。最后,通过对某一地区的负荷及相关数据进行实验仿真。仿真结果表明,与常规神经网络模型进行比较,提出的DBN模型预测精度较高,并且泛化性能最好。