电力是无法大规模存储的,市场的价格发现功能可以让电力价格的波动不受人为干预影响,真实反应电力供需状态。尤其对新能源发电占比较大的地区而言,电力价格会随着各种天气因素时间因素等大幅度波动,电力调度中心需要根据新能源的波动,对火电水电等可控电源进行相应的调度与控制,以保证发电功率实时平衡。新能源发电要保证优先出纳,火电机组也有最低发电负荷要求。预测电力现货价格就是保证实时性的发电侧和负荷侧动态平衡。为此,有必要进行时间序列预测在电力现货价格领域的应用研究。本文主要工作是在利用深度学习的神经网络框架,对电价进行预测和分析。针对时间序列预测模型结构的选择、输入特征的优化和数据维度的处理这三个不同角度,对提高短期电价预测准确性进行了研究。本文做了如下工作:（1）对时间序列预测相关技术进行了总结。分别对统计学方式的ARIMA模型,机器学习的支持向量机模型,深度学习循环神经网络和长短期记忆网络进行阐述。（2）针对电力价格受多种因素影响这个特性,数据集中增加了发电侧光伏发电量这个特征对各种预测模型的预测效果进行了对比,经过实验验证,长短期记忆网络LSTM模型的预测效果显著高于对比方案的ARIMA模型和支持向量机模型,和同样网络结构的GRU模型相比拟合效果更好,说明新能源特征数据占比较多情况下LSTM的预测效果相对最佳。（3）鉴于增加新能源特征对价格预测的拟合效果产生很大负面影响,论文提出了高比例新能源电价预测方案。具体而言,通过各种特征和电价的对比分析,增加新能源和负荷比值作为新的输入特征和PCA降维处理来提高预测精度。经过实验验证,新能源与负荷比值作为新增加的输入特征,是优化电价预测的关键输入参数,相比于直接原始数据输入到LSTM模型预测,优化了拟合效果,较大提高低峰时间段的预测精度。（4）为了进一步提高预测效果,本文在对输入特征优化后的LSTM模型基础上做出创新,加入了CNN模型。LSTM-CNN混合模型可以特征优化高维数据,进一步提升短期电价预测的精度。实验结果证明,LSTM-CNN混合模型可以在保持整体时间段预测准确度的基础上显著提升尖峰价格预测的准确性。