电力行业作为国家重要的基石行业之一,它的稳定运行会为各行各业的发展提供有力的保障。其中电力负荷预测既是影响电力系统稳定运行的重要因素之一,也是构建智能电网的重要一环。精准的电力负荷预测对于优化能源配置、节约电网运行成本以及提高社会经济效益都具有重要的意义。而随着人工智能技术的发展以及智能设备的普及应用,将深度学习技术应用在电力负荷预测领域成为了新的方向,并且海量的电力数据也为深度学习的应用提供了数据支持。虽然电力负荷的变化具有不确定性,但是从电力负荷数据中可以看出负荷的变化具有一定的相似性,通过分析负荷数据中的相关特性以及引起电力负荷变化的因素,选取重要的相关特征重新构建特征矩阵用于电力负荷预测可以提升预测精度。据此本文选取了历史负荷值、温度、节假日等相关重要特征,并通过滑动窗口法重新构建特征矩阵作为负荷预测模型的输入。在深度学习算法中,复合模型相比单一模型的效果要更好。据此本文首先提出了基于门控循环单元和改进型残差网络（GRU-Improved Res Net）的短期电力负荷预测方法。GRU擅长挖掘时间序列中的相关特征,Improved Res Net提升了网络的学习能力。结合两个网络不同的优势从而提高模型的预测精度。实验结果表明该模型相较于CNN、GRU、Improved Res Net、CNN-Improved Res Net和CNN-GRU的MAPE值分别降低了57.4%、8.5%、46.8%、32.2%以及20.8%。考虑到电力负荷数据特征的多样性,为了提取更完整的电力负荷特征,在上述模型的基础上提出了基于注意力机制集成多神经网络（CGA-Improved Res Net）的复合模型,该模型首先通过CNN和GRU分别挖掘电力负荷数据中的重要特征,然后通过注意力机制结合两部分特征并突出相关性更高的特征,最后通过Improved Res Net输出预测值。实验表明该模型相较于CNN、GRU、Improved Res Net、CNN-Improved Res Net、CNN-GRU以及GRU-Improved Res Net的MAPE值分别降低了71.8%、39.5%、64.9%、55.2%、47.7%和33.9%。