电力工业是国家的重要的基础行业之一,电力负荷预测的精度也直接关系到电网的供需平衡、运营成本。当负荷序列属于非平稳、非线性波动剧烈的序列之时,用传统的预测法对其预测,无法获得良好的拟合效果,本文收集实际电力负荷数据,运用信号分解、特征降维以及深度学习的三种方法,对短期电力负荷预测的组合方法进行了研究。主要研究内容如下:（1）本文将负荷序列当作随机波动信号,引入变分模态分解（Variational Mode Decomposition,VMD）算法将原始序列分解成有限带宽的子序列。详细对比了经验模态分解（Empirical Mode Decomposition,EMD）以及集合经验模态分解方法（Ensemble Empirical Mode Decomposition,EEMD）,并分析讨论了 VMD在模态混叠以及对负荷数据分解方面的优势。（2）针对数据维度过高的问题,本文将相关性分析和主成分分析降维算法结合起来,通过将特征协方差矩阵特征值换为特征、负荷间的互信息这一手段,对降维算法进行了优化,不仅解决了关联信号损失问题,同时达到了降低特征数据维度的目的。（3）针对长短期记忆神经网络（Long Short-Term Memory,LSTM）中参数随机性较大的问题,本文借助自适应调整的惯性权重和学习因子的粒子群算法（Adaptive Particle Swarm Optimizati on,APSO）来对LSTM网络中各类参数比如学习率、迭代次数等进行参数寻优,借助三种测试函验证了 APSO算法在寻优精度和速度上的优越性,并通过APSO寻优找到三个网络参数的最优值,建立了改进LSTM的预测模型。为了得到预测精度更高、实用性更为广泛的电力预测模型,本文结合以上几种方案,提出了以改进LSTM混合模型为基础的短期电力负荷预测模型。该模型同时完成了负荷和特征的双预处理,通过对两类优化算法进行充分运用,不仅令电力负荷数据过于复杂这类问题得到了妥善处理,同时还解决了数据维度过高的问题。在运用模型展开预测工作时,互信息主成分分析生成的主成分因子与VMD分解的各分量重新组合为若干组训练矩阵作为改进LSTM网络的输入数据进行预测工作,比较模型改进前后的结果,以对此模型的优越性进行验证。