在配电网的规划和设计中短期电力负荷预测起着很重要的作用,电力负荷预测可以为电网公司内部的生产计划、调度计划以及检修计划提供相关依据支持。另外电力负荷预测的精度影响着电力系统能否安全和稳定的运行。然而随着智能电网的发展以及智能电表的大量安装,使得采集到的电力负荷数据呈指数级增长,给电力负荷数据的处理带来了极大的挑战,众多的负荷数据影响因素使得电力负荷预测模型的精度降低。为了解决电力负荷数据增长导致模型处理数据的效率降低以及传统的负荷预测模型预测精度不高的问题,论文提出了基于改进深度稀疏自编码器（Improved Deep Sparse Auto-Encoder,IDSAE）降维及改进门控循环单元网络（Gated Recurrent Unit networks,GRU）模型的电力负荷预测。首先分析了国内外负荷预测方法研究的现状以及电力负荷的分类,通过对电力负荷变化的周期性分析得出了电力负荷具有日周期性、周周期性和年周期性的特点,通过对电力负荷数据的影响因素分析,得出了气象因素、日期因素、经济因素、电量价格因素对负荷预测的精度有着很大的影响,因此在进行电力负荷预测的过程中需要考虑这些因素的影响。其次考虑到在电力负荷预测的过程中,引入过多的气象因素将导致负荷预测模型的建模难度增加,影响模型的运行速度和预测精度,因此论文研究了改进深度稀疏自编码器IDSAE的降维模型,对高维数据进行降维,提取有效的特征信息。通过与主成分分析算法（Principal Component Analysis,PCA）和DSAE算法进行实验对比以及将处理后的数据分别进行分类实验,证明了该方法更有效地降低了数据维数、简化了数据结构。电网智能化和复杂化的发展,使得传统电力负荷预测模型达不到预测精度期望目标,因此论文引入一种深度学习模型——门控循环单元网络（Gated Recurrent Unit networks,GRU）模型,并针对模型进行改进。首先将注意力机制（Attention Mechanism,AM）和卷积神经网络（Convoutional Neural Network,CNN）引入到改进的GRU模型（IGRU）中。利用加入的注意力机制可以通过对输入的数据特征进行概率值分布来对关键信息赋予更高的关注度,从而选择特定的输入,减少甚至忽略一些不重要的特征;通过引入CNN模型可以在不破坏负荷序列的前提下充分有效挖掘数据之间的关联关系,提取出重要的特征。然后利用自适应混沌算法（Adaptive Chaos,AC）对果蝇算法（Fruit fly optimization algorithm,FOA）进行优化,克服FOA模型在寻优过程中极易陷入极值的缺点,改进后的FOA算法对双向门控循环单元网络（Bidirectional Gated Recurrent Unit networks,BiGRU）模型的超参数进行寻优,提高了模型预测的精度。最后通过仿真实验的分析验证了本方法的有效性。