电力负荷预测作为智能电网运行的重要环节,其更好的准确性可以保障能源的优化管理。但现今电力负荷呈现数据量大和非线性复杂变化的特点,所以如何提高预测精度是一项必要且复杂的任务。目前电力负荷预测技术普遍面临着单一模型无法满足复杂预测场景精度要求的问题,并且许多预测方法为追求整体的趋势和误差最小化,忽略了对预测点个体的相似性兼顾、预测精度保证以及预测场景保护。鉴于此,本文构建了一种基于双向长短期记忆神经网络（Bi LSTM）与选举机制的组合预测模型。组合预测模型以选举机制作为核心,将Bi LSTM模型预测值和历史数据参考值以权重分配的形式进行组合,并把获得的预测推荐值作为组合模型的最终输出。以上选举机制综合考虑了整体的数据统计规律和个体的点相似性,能够更好地处理预测异常情况和保护预测场景。另外,对于机制中的成员,Bi LSTM通过使用改进粒子群算法（IPSO）优化超参数策略来提高预测精度,其中对于传统PSO算法容易陷入局部最优值的缺陷,IPSO算法做出了两方面的改进:一是惯性权重的自适应调整策略;二是引入变异因子。对于另一成员历史参考值,为了能够更精准地在历史数据中对其定位,本文给出了一种相似点选择算法。它主要由两部分组成:第一个是基于模糊聚类方法实现的粗聚类部分,用于缩小搜索空间范围;第二个是基于电力负荷特征相似度计算的精确搜索部分,其中特征模式的相似度用于综合衡量电力负荷横向多维度的特征匹配度和纵向时间维度的相近性。最后为了评估组合模型的性能,设计了理论可行性验证实验和与其它预测模型的性能对比实验。实验结果表明,本文建立的组合模型具有可行性和有效性,并且预测精度表现更好,可以为电力负荷预测系统提供一种预测方法。