随着电力系统和能源科技的不断发展,电动汽车和分布式可再生能源大量接入、电力市场逐渐成熟、需求侧响应等使得负荷变化呈现出更高的不确定性和波动性,电力负荷变化的影响因素增多,预测难度增大,传统电力负荷预测方法面临着巨大的挑战。本文对传统负荷预测方法进行了研究,归纳总结了负荷预测方法的不同分类及各自的优缺点,分析了新形势下电力系统负荷预测中传统方法面临的挑战。人工智能方法近年来在负荷预测领域起到了越来越重要的作用。本文提出一种基于深度学习与小波变换的集成预测模型。首先本文建立了深度信念网络、长短期记忆神经网络、多层感知器三种基于深度学习方法的子预测模型。然后针对不同深度学习方法各自具备的不同特点,本文依托简单平均集成的方法建立基于深度学习的强学习器,有效提升了预测方法的精度和泛化性能。最后针对现阶段电力系统负荷具有多周期变化规律的特点,本文采用小波变换对负荷序列进行频率分解,并与前述集成深度学习预测方法融合,建立了基于深度学习和小波变换的集成预测模型。本文采用华东某城市某低压变电站实际负荷进行算例仿真,通过隐藏层联合整定的方法优化了深度学习预测模型的结构参数,并通过实例仿真验证了本文建立的深度学习预测模型的有效性,表明了深度学习预测模型相对于BP神经网络和支持向量机的优势。仿真结果证明,本文所提预测方法在多个时间尺度的超短期负荷预测中均具有高于传统方法的预测精度。通过对不同季节负荷预测仿真分析,证明本文方法具有良好的泛化性能。本文工作具有一定的理论价值。论文最后对研究工作做出总结,并给出了未来工作的展望。