电力产业是与国家经济发展和国民生活相关的重要基础产业,短期负荷预测是电网系统的重要任务,实现短期电力负荷预测是评估电网系统安全、稳定和经济的重要指标,对社会的可持续发展具有重要意义。本文针对当前电力负荷预测模型存在的预测精度低、过拟合、收敛速度慢等问题,在历史负荷及多种气象因素影响分析基础上,提出一种基于布谷鸟搜索算法（CS）融合卷积门控循环单元的预测模型,首先构建CNN-GRU模型,利用CNN模型的特征提取功能以及GRU模型处理时间序列数据能力,为实现短期电力负荷预测通过布谷鸟搜索算法实现CNN-GRU模型的超参数优化,构建CS-CNN-GRU模型,主要研究内容如下:（1）电力负荷影响因素分析。分析本文使用的原始数据并对其进行预处理,原始数据为浙江省某地区电力负荷数据集。分析电力负荷的影响因素,电力负荷受自身存在的周期性、季节性影响,温度、湿度、降雨量等气象因素也会对电力负荷产生影响;对原始数据的预处理包括异常值检测和修正以及归一化。（2）构建CS-CNN-GRU模型。根据CNN卷积神经网络提取电力负荷和各气象因素特征以及GRU网络对数据的处理能力,构建CNN-GRU组合模型;神经网络中超参数的设置直接影响预测效果,使用布谷鸟搜索算法（CS）优化CNN-GRU的超参数,构建CS-CNN-GRU模型,以提高模型的预测性能。（3）根据构建的CS-CNN-GRU模型进行仿真实验。在训练过程中用CS优化算法确定CNN-GRU网络的超参数,并利用优化后的组合模型进行短期电力负荷的预测实验;根据评价指标MSE、RMSE、MAE、MAPE和R~2的对比分析,与单一GRU模型、CNN-GRU模型和CS-GRU模型相比,CS-CNN-GRU模型显示出良好的预测性能。