电能在国民的生产和生活中扮演着举足轻重的地位,与其它能源相比,电能具有发输配需要平衡及难以大规模储存等特性,为实现用电需求的即时平衡和有效的避免电能的浪费,需要对用电量进行短期预测。对电力系统的用电量进行短期预测不仅可以满足负荷侧电力用户的电能需求,还可以为电力系统营销商提供准确的用电量需求,从而保证电力营销商针对电力用户的用电需求制定有竞争力的电价。因此,开展电力系统的短期用电量预测研究具有重要的现实意义。本文基于深度神经网络开展电力系统短期用电量的预测研究,在构建深度神经网络模型的基础上基于某一地区的实际用电量数据进行相关算法的实验仿真验证。首先,基于某一地区的实际用电量数据,开展该地区实际用电量日周期特性与气象因素之间的关系分析以及用户在不同时期下的用电特性分析;其次,在实际用电量数据分析的基础上基于邻域粗糙集理论开展用电量影响因素的特征提取研究,根据提取得到的特征进行预测。然后,针对传统BP神经网络收敛速度慢,易陷入局部最优等缺陷,本文提出了采用蝙蝠算法优化的BP神经网络(BABP)和基于深度置信网络(DBN)的预测算法,通过样本数据训练,得到DBN的最佳网络结构。最后,基于BP神经网络(BABP)和基于深度置信网络(DBN)两种模型开展短期的用电量预测研究,经实验结果分析可知:两种模型均适合大量样本的训练,且DBN模型预测精度较高并且泛化性能最好。然后用具体实例分析相误差指标,并用模型预测能力(DM)检验方法验证了基于深度置信网络的短期用电量预测模型预测能力较佳。