随着智能电网进程的加速电网规模结构日益复杂,这无疑加大了短期电力负荷预测的难度。目前单一的传统经典预测方法或者现代预测方法在短期负荷预测中或多或少都存在预测准确率不高、泛化能力不强的特点。本文从深度学习角度出发,基于澳大利亚新南威尔士州真实电力负荷数据利用不同算法和神经网络的优点构建了一种组合神经网络FFT-CNN-LSTM的多步输出预测方法以提高短期负荷预测性能。本文的主要研究工作如下:首先,从电力负荷的周期特性与其影响因素出发,分析了负荷序列自身的周期特性变化规律分别包括日、周、季节和年周期特性,研究了气象因素、电价、以及日期类型对电力负荷的影响。并基于Peason相关系数分析构建了融入温湿度、电价、日期类型和历史负荷的多影响因素输入特征集。其次,基于XGBoost和LSTM神经网络搭建了XGBoost负荷预测模型和含双隐含层的改进LSTM-2预测模型,并通过算例对比验证了LSTM-2相比XGBoost、RNN和标准LSTM在短期负荷预测性能上有一定优势。为了进一步改善单一LSTM神经网络的预测性能,本文提出CNN-LSTM复合神经网络模型,即在LSTM神经网络前引入卷积神经网络以获取输入数据中的更多有用的高级特征,再使用LSTM充分考虑负荷特征的时序特性,实验证明CNN-LSTM复合神经网络兼具CNN和LSTM的优点且对比LSTM-2模型具有较大的预测性能提升。最后,结合傅里叶（FFT）分解方法提出一种FFT-CNN-LSTM的组合模型预测方法。通过FFT分解负荷序列为不同变化规律的周期分量、低频分量和高频分量,再通过CNN-LSTM对单一分量进行预测后重构预测结果,算例实验结果表明FFT-CNN-LSTM模型善于把握不同分量的变化规律,进一步改善了CNNLSTM的短期负荷预测精度,证明了该预测算法针对短期负荷预测的有效性。