负荷预测是电力系统设计、规划和运行的重要保障,为了进一步提高电力负荷预测的精度,方便电力系统管理规划人员对电力能源调度制定合理、安全及准确的计划。精准的负荷预测可以寻找使电力能源的产出及消耗达到某一个平衡点,可以减少电力能源的浪费,间接的将电力能源产生的资源成本进行有效的降低,为建设可持续发展的信息社会也起到了举足轻重的作用。电力负荷预测作为一个经典的预测问题,一直受到研究者的重视。最近几年来,随着计算机硬件及软件的技术进步,以及深度学习被用于生活中的各个领域中来,给社会带来了各种各样的变化,负荷预测领域中也出现了一系列能够适应现代电力数据的技术方法。本文通过对电力负荷数据特点的分析,首先分析了电力数据的特点、电力负荷数据中产生的异常值以及针对电力负荷数据的数据预处理等步骤。接着对经典的电力负荷数据的模型进行分析,研究模型中存在的可以优化的地方。最后在经过学习实验之后,在门控循环神经网络的基础上提出了精度更高的Attention-GRU模型和XGBoost和门控循环网络的组合预测模型。本文提出并验证了双层GRU负荷预测模型,基于注意力机制的GRU模型。后续结合了我国某地区的真实电力负荷预测值,根据对数据集验证的实验结果分析能够得出,加入了Attention机制的门控循环神经网络模型预测效果最好。在MAPE的指标上,通过对数据集的验证分别相较于LSTM网络和GRU神经网络模型,Attention-GRU网络模型预测精度分别提高了18%和15%。本文提出了基于门控循环神经网络（GRU）和极限梯度提升（XGBoost）的组合预测模型。首先,根据负荷数据以及GRU和XGBoost模型的输入结构,对数据进行预处理,将预处理后的数据分别输入到对应模型中,再通过最优加权法对模型进行加权组合,得出最终组合模型的预测值。最后,通过算例分析对组合预测模型与常用预测模型进行对比,结果表明所提方法能够有效结合两种模型的优点,同时兼顾到连续的时间序列和非连续的特征变量,较单一模型与常用预测模型有更高精度。