能够对未来一段时间的电力负荷进行精确的预测对于目前的电力系统而言可以说是比较重要的,因为其不仅可以对全国范围内大量的电力企业的发电调度起到较好的资源合理分配的作用;而且也可以为电力系统的规划以及何时对电力系统设备进行检修提供较为合理的决策支持,高精度的电力负荷预测在能源互联网领域被看作是一项非常重要的指标,因为其对提高电网运行经济性以及安全性而言是一项重要基础保障。只有根据历史电力负荷数据以及与之存在相互影响关系的电力负荷影响因素构建电力负荷预测数据样本去对未来一段时间的电力负荷进行高精度的短期预测,才能促使电力资源的消耗达到节能减排的效果。当前,短期的电力负荷预测主要依靠机器学习、深度学习等方法进行各种类型的电力负荷预测。电力负荷预测模型的输入数据往往都是以温度、湿度等相关影响因素以及历史负荷数据构成,但是这些相关影响因素所呈现的变化模式相对繁杂。这些电力负荷历史数据样本中大都存在着数据缺失或者是记录异常的情况,传统的处理这些数据记录的方法大都是采用直接剔除缺失值或者是采用数据样本中缺失值所对应的某一类特征属性的众数、中位数或者平均值进行填补,但是这些方法都会对后续的预测模型的性能、预测精度等造成一定的影响。文中针对这些数据基于数据挖掘的技术采用聚类的方法进行异常值检测,再进一步根据灰色系统的理论知识进行搭建GM(1,1)模型去对异常值进行修正。文中的实验结果表明,文中所用的方法能够很好的对异常数据进行检测以及修正,为后续的模型训练提供完整的数据样本,提升了预测模型的整体性能,提高了预测的精度。在有了完整的数据样本以后,为了能够进一步的提高预测模型的精度以及泛化能力,利用LSTM在处理时序数据方面的优势,继续以LSTM电力负荷预测模型为研究基础,构建了一种改进的融合CNN＿RNN的深度学习短期电力负荷预测模型。首先,与传统的采用卷积层与池化层进行堆叠的方式不一样,文中首先将两层卷积层置于整个预测模型的顶层,紧接着才是一层池化层,用于对数据样本进行特征提取;其次才是利用LSTM单元进行短期的电力负荷预测,最后将电力负荷的预测结果在全连接层输出。为了能够很好的对本文所用的电力负荷预测模型性能有很直观的评估,文中采用回归预测模型中比较常见的平均绝对百分误差对其进行评估分析。实验结果表明文中所用的预测模型的MAPE值相比其它方法都有明显的降低,表明该方法优于其它模型方法,具有一定的实用性。