近年来,随着我国经济迅猛发展,人们生活水平的不断提高,不管是工业生产还是日常生活都对电能的需求的越来越大。能源生产和消费方式的改变,给电网带来了更多不确定性问题,对电网的可靠性和电能质量有更高的要求。对于电力供应商来说,可以依靠准确的负荷预测来应对某些时间段内电力不足或过剩事件的发电调度,有利于提高系统负载率,降低系统运行成本。自电力工业诞生以来,负荷预测一直是一个基本的商业问题,准确的负荷预测有利于电力系统更加安全、经济的运行。因此,基于上述背景,本文对提高负荷预测精度的问题进行了深入研究,设计并实现了预测模型。论文的主要贡献在于以下三个点:（1）随着可再生能源和外部电站的使用和集成,电力负荷预测的研究变得越来越重要。在这里,本文根据电力负荷预测的输出结果形式将电力负荷预测分为了点负荷预测和概率负荷预测。对于点负荷预测,本文回顾、评估并分析了基于传统预测模型和神经网络预测模型的负荷预测方案的性能和研究差距。对于概率负荷预测,本文讨论并总结了三种不同的概率预测输出形式的负荷预测。（2）现在大多数深度学习任务都是单任务学习,单任务学习往往存在忽略问题之间关联信息的不足。为了解决该问题,本文基于多任务学习,并且考虑到同一住宅小区用户之间的负荷行为的相似性,提出了一种有效的住宅用户负荷预测方案。该方案利用K-means聚类技术和皮尔逊系数挑选2个相似用户,并将2个用户的数据合并输入到网络模型中训练和测试。在真实数据集上的实验结果表明,与已有的深度学习预测方案相比,提出的多任务学习负荷预测方案提高了预测准确程度。（3）一方面,鉴于生产或生活用电过程中存在的少量且突然出现负荷峰值对负荷预测产生很大的负面影响;另一方面,大多数现有的预测方案使用一个适合所有类型数值的模型来预测负荷,不管它是峰值负荷还是正常值负荷。在此基础上,提出了一种基于多任务学习的两阶段负荷预测新方法。具体而言,在第一阶段,明确提出了一种基于多任务学习的峰值发生预测方法,它采用多任务学习神经网络来预测负荷是否为峰值。在第二阶段,本文没有设计一个适合所有数值类型的方案,而是根据第一阶段的峰值发生预测结果,有意地选择分别适合峰值和正常值的不同数据预处理技术（即方差稳定变换）和深层神经网络预测模型来对峰值和正常负荷值进行预测。