分布式能源的大规模并网以及电动汽车等大功率负载的不断增多给电力系统带来了巨大的挑战。短期电力负荷预测有助于维持发电端和用电端的动态平衡,可以为智能电网的综合能源调度提供可靠依据,从而保障电力系统稳定且高效地运行。为了降低负荷序列中波动性和非线性的影响,论文提出了基于优化VMD-Bi LSTM和误差纠正的短期电力负荷预测方法。首先,针对变分模态分解（Variational Mode Decomposition,VMD）中所出现的参数选择问题,提出了一种基于花授粉算法优化VMD（Flower Pollination Algorithm optimized VMD,FPA-VMD）的分解算法。该算法定义了分解损失作为指导VMD参数设置的评价标准,采用FPA来自动寻找VMD的最优分解参数,从而将复杂的电力负荷序列分解为简单的本征模态函数。FPA-VMD减少了分解过程中的信号损失,降低了经验设置的随机性,可以自适应地确定最佳分解参数,提高了分解效果。其次,针对VMD分解的每个子序列分别建立双向长短时记忆（Bidirectional Long Short-Term Memory,Bi LSTM）神经网络来挖掘电力负荷过去及未来两个方向的深度时序特征。作为最为流行的深度学习框架之一,Bi LSTM神经网络具备双向处理和长期记忆的功能,可以更好地挖掘数据内部的深度时序特征,从而有效地提高短期负荷预测精度。最后,考虑到极端天气对负荷波动的影响,提出一种计及气象因素的误差纠正模型。该模型考虑到温度、湿度等气象因素对误差的影响,并采用T分布随机邻接嵌入（T-distributed Stochastic Neighbor Embedding,Tsne）算法对多维气象因素进行降维可视化分析,解决了随机邻接嵌入（Stochastic Neighbor Embedding,SNE）算法的数据拥挤问题,可以将多维气象因素转换为低维综合气象因子,从而提高误差纠正模型的输入质量。随后以本征模态分量和低维气象因子为输入,建立基于Bi LSTM神经网络的误差纠正模型。实验分析得出,计及气象因素的误差纠正模型可以充分利用误差中所包含的隐含信息,降低了VMD过度惩罚内部跳跃的影响,减少了模型的固有误差。通过美国南部某地区以及美国纽约电力市场的实际负荷预测实验,证明了本文方法在区域性短期电力负荷预测中的优越性。并且通过多步预测实验,证明了该方法可以更好地了解负荷序列的未来趋势,保障电力系统地稳定运行。