随着我国的经济实力逐渐增强,电能已经成为人类生活中不可替代无法或缺的重要部分,电力供应中出现的故障或者中断轻则影响人们的生活,重则导致不可挽回的重大生命财产或国家级别的损失,所以电力系统的可靠性极为重要。电力预测在电能管理系统中起着举足轻重的作用,它对电力系统的运行、控制和规划有重要的指导意义。如果缺少预测或者预测不到位,在固定的发电周期内会增加大量的运行和维护的成本。所以为电力系统建立准确的短期负荷预测模型,将成为了国家能源管理战略的关键因素。在电力负荷预测过程当中,由于各种影响因素的存在,会导致负荷数据序列的波动和不稳定。针对这个问题,本文提出了一种将集合经验模态分解(EEMD)和最小冗余-最大相关(mRMR)相结合的数据预处理方法。将原始负荷数据序列分解为若干个固有模态函数和一个不同频率的残差,以减弱复杂因素对数据序列的影响。然后再利用mRMR进行相关性分析,计算出各个IMF与特征信息(日类型、温度、气象条件等)之间的关联性,最终得到最佳特征集。近年来,基于循环神经网络(RNN)的模型和长短期记忆网络(LSTM)在电力负荷预测中取得了良好的效果,现有的预测模型没有使用全部的隐藏层向量,而只是利用了上一时刻与之关联的隐藏层向量,等同于没有充分利用过去信息作为训练的一部分。因此,假如某个预测时间段内生成了一个错误的隐藏层向量,我们无法对其进行修正,从而严重影响到后续的预测结果。为了解决这些问题,本文提出了一种将长短期记忆网络(LSTM)和一维卷积神经网络(1DCNN)相结合的组合模型CCLSTM。我们使用一维卷积模块来校准预测时间,并且根据固定时间周期计算出隐藏层向量值。并且利用甘肃省电力负荷数据对提出的CCLSTM模型进行了验证。实验结果表明,在与其他基于深度学习的负荷预测方法(基于多层感知机的预测模型、基于一维卷积神经网络的预测模型等)的比较中可以看出,CCLSTM模型在短期电力负荷预测方面效果优异。