准确、快速的电力负荷预测在现代电力系统中起着至关重要的作用。为助推碳达峰、碳中和,构建新型电力系统,充分挖掘负荷数据中时间特征的关系,提高各种基于深度学习模型的短期负荷预测精度和效率,克服负荷非线性和波动性给准确负荷预测带来的困难,并能更好地利用影响负荷的特征。论文主要进行了以下研究工作:首先,本文介绍了电力负荷预测的研究背景与重要性,总结了负荷预测国内外研究现状,并对现有的不同预测方法模型进行了探究。相较于其他负荷预测研究,本文的侧重点是引入更多影响负荷的特征数据和优化深度学习模型框架。其次,概述了短期负荷预测的特性,介绍了本文所选用的电力系统级负荷的特性,并对负荷进行必要的数据预处理环节。本文在获取到Spain电力系统数据的基础上,还考虑了气象、电价、日期、工作时间、节假日及人口等影响因素,对有关数据进行了Distance相关性分析和特征工程,筛除无用的输入特征。并且将特征通过滑动时间窗重构,提高了数据可利用性,为预测建模做好准备工作。然后,针对深度学习短期负荷预测模型,提出了一种基于Ada Belief优化的改进框架。该框架由特征选取模块、Ada Belief优化深度学习模块和线性自回归模块组成。Ada Belief优化的深度学习模型用于预测负荷变化的非线性趋势,自回归模型用于辅助预测,得到负荷变化的线性趋势,通过加权这两个模块的预测值,得到更为精确的预测负荷。实验结果表明,面对不同类型的电力系统,该框架可以使用任意定义良好的深度学习模型,在Ada Blief优化器下的模型训练损失要明显低于其他参与对比的优化器,而且在负荷预测精度上均有提升。在提出框架下,融合注意力机制的时序卷积网络模型具有最佳鲁棒性。最后,考虑到多种因素对负荷预测的影响,提出了一种基于时序卷积网络（TCN）和门控循环单元（GRU）的混合神经网络短期负荷预测模型。利用TCN网络提取负荷和特征数据中隐藏的历史信息和时间关系,再使用性能良好的GRU网络进行预测。模型的超参数采用基于贝叶斯优化的TPE算法调整,以获得最优的预测性能。实验结果表明,在Spain电力系统和PJM电力系统数据集上,TCN-GRU模型均体现了其有效性和优越性。在工作日和节假日不同时段的短期负荷预测中,所提出模型均可以较快速地给出准确的负荷预测结果。研究结果表明,本文所提出的Ada Belief优化深度学习框架和TCN-GRU模型针对多因素输入的短期负荷预测有一定实用价值和有效性,为电力系统短期负荷预测领域提供了新的改进思路。