在智能电网的发展过程中,迅速准确的负荷预测是电网调整发电的主要依据。而人工智能,机器学习的出现使负荷预测从单纯的人类猜测转变为更为迅速,准确的智能算法。如今,随着用电规模的增大,电力系统复杂性的提高,对于负荷预测的精度也提出了更高的要求。在此背景下,选择短期电力负荷预测作为本文研究内容,对短期负荷预测的各个方面进行分析,提出新的预测模型,本文所作工作主要如下:首先,对短期负荷预测的各种方法进行了讨论,研究它们的优缺点。随后通过探究电力系统负荷的特点及其影响因素,对实际负荷数据进行预处理,同时获得一些后面需要用到的结论。在分析短期负荷预测的智能算法的基础上,探究了神经网络的原理,神经网络有很好的非线性逼近能力,但是,当数据规模增大,神经网络的参数量急剧增加,导致预测速度慢,易陷入局部最小值。为了提高短期负荷预测的精度,本文提出了基于卷积神经网络的负荷预测模型,卷积神经网络的局部连接和权值共享机制能够减少参数量,降低数据维度,从而提升预测精度,文中结合实际负荷数据进行实验,结果表明,对比BP神经网络,卷积神经网络可以取得较好的预测效果,但是仍存在提升空间。而后,针对卷积神经网络应用上的问题。提出了改进方法,利用改进的布谷鸟搜索对卷积神经网络进行初始参数寻优,利用ICS的全局寻优能力确定网络的初始参数,并构建了ICS-CNN的预测模型,利用优化过的卷积神经网络进行短期负荷预测。对比BP-NN模型和未优化的CNN模型进行仿真实验。结果所得ICS-CNN模型预测结果的MRE达到1.37%,较BP神经网络MRE值3.23%减少了1.86%,满足短期负荷预测精度的要求。相较传统神经网络,能够更迅速准确的预测短期负荷变化,输出稳定且具有较高的预测精度和较好的鲁棒性。该论文有图27幅,表8个,参考文献56篇。