随着分布式电源、储能装置等广义需求侧资源的广泛接入,大量闲置的可调节资源在需求侧出现。在电力市场逐渐开放的发展趋势下,用户在负荷聚合机构的整合下,以需求响应的方式参与市场调节,使负荷转移能力增强,改变了负荷特性与变化规律。负荷随机性和灵活性的增强给负荷预测的精确度和稳定性提出了更高的要求。因此,在短期负荷预测中应该考虑广义需求侧资源,选择快速高效的负荷预测方法,提高负荷预测的精度。本文首先研究了基于负荷聚合商(load aggregator,LA)的广义需求侧资源调度问题。在实时电价环境下,以LA收益最大化为目标,提出了一种基于电价合同的广义需求侧资源调度模型。通过该模型能够确定广义需求侧资源的最优调度计划,引导用户合理安排用电时间,达到削峰填谷的作用。然后,在该调度模式下,本文提出了一种基于深度置信网络(deep belief network,DBN)的短期负荷预测方法。将广义需求侧资源最优调度计划作为新增的网络输入量融入到DBN负荷预测模型中,建立了考虑广义需求侧资源的DBN短期负荷预测模型。通过仿真实验并分析所得结果,验证了改进后的短期负荷预测方法的有效性及优越性。考虑到日负荷具有很强的时序相关性,选取了具有良好记忆功能的长短期记忆(long short-term memory,LSTM)网络进行负荷预测,提出了一种基于深度LSTM网络的短期负荷预测模型。该模型由多个LSTM网络和一个全连接输出层堆叠组成,并采用Adam算法对网络进行训练优化。仿真实验结果表明,相比于其他方法,LSTM网络能够有效处理时序数据中的规律信息,具有更高的预测精度。对比不同输入量的模型的预测结果表明,考虑了广义需求侧资源的模型预测误差更小,进一步验证了在预测模型中考虑广义需求侧资源的有效性。最后,为了避免单一模型的局限性,本文结合DBN和LSTM网络各自的特点,提出了一种基于DBN-LSTM组合模型的负荷预测方法。在前文基于DBN和深度LSTM网络预测模型的基础上,建立线性回归模型,寻找单一模型的负荷预测值与真实值之间的线性关系,为单一模型分配适当的权重并对预测结果进行线性组合。实验结果表明,DBN-LSTM组合模型能够进一步提高预测精度,预测误差比单一模型更小,并且具有更好的稳定性。