随着计算机技术的发展,海量负荷数据的获取与储存变得更为容易,这为人工智能技术在负荷预测中的应用提供了大数据支持。短期电力负荷预测作为电力部门的一项重要工作,直接关系到电力系统的稳定,也是电力系统经济运行的基础。基于以上背景,本文利用神经网络技术对短期负荷预测展开研究,主要包括以下内容:首先,针对短期负荷预测的应用场景构建特征工程,即为待预测日的各预测点建立相应的输入特征集及基础子网（BasicNet）,并将各BasicNet与长短期记忆网络（LSTM）进行组合,构建BasicNet-LSTM混合模型。再利用各种优化方法对模型的训练进行优化,具体包括小批量训练法、Adam梯度下降算法,以及采用selu函数作为子网部分的隐藏层激活函数并选择适合的权重初始化方式。通过对比实验,证明了各种优化措施的有效性,此外还与单一模型与其他混合模型进行对比,结果表明BasicNet-LSTM的预测精度更高。其次,针对混合模型训练代价较大这一问题,采用两种方法对其进行改进。对于网络的输入部分,通过采用主成分分析（PCA）对模型的输入特征进行降维,进而起到特征增强的作用;而对于LSTM,虽然之后诞生的门控循环单元（GRU）在一定程度上简化了LSTM的内部门结构,但内部依旧无法并行计算,本文则采用简单循环单元（SRU）和准循环神经网络（QuasiRNN）对LSTM进行替换,构建PCA-BasicNet-QuasiRNN与PCA-BasicNet-SRU两种混合模型,并采用相同的优化训练方法。最后通过实验证明,PCA的应用使得混合模型的收敛速度显著加快,进而减少了模型的训练轮数,而QuasiRNN与SRU通过解除内部单元对上一时刻隐状态的依赖,使得计算可以并行化,进而减少了模型的训练时间,同时通过在测试集上对比,说明了PCA-BasicNet-QuasiRNN/SRU能够保证预测精度,在实际工程中有较好的应用价值。