为了进一步完善电力市场化的构建以提高电网公司的市场竞争力,短期电力负荷预测对电网的规划以及检修都具有关键的作用。所以要求对短期电力负荷预测进行更深入的研究与探索。对样本数据进行相应的分析处理,对于异常数据进行修正。进行负荷预测还要将不同影响因素的量纲考虑在其中,量纲的不同对最后的预测结果也存在一定的影响,故对样本数据进行归一化处理,以消除不同量纲对短期电力负荷预测结果的影响。当进行负荷预测时,最小二乘支持向量机（LSSVM）和长短期记忆（LSTM）神经网络模型存在的不足是:关键参数主要是依靠研究人员的经验选取的。为了解决此问题,引入麻雀搜索算法（Sparrow Search Algorithm,SSA）对其关键参数进行寻优,找到最优的模型参数。但SSA在寻优的过程中仍存在易陷入局部最优的不足,以及在迭代的后期种群缺少多样性。故对SSA进行相应的改进,利用Sin混沌映射初始化种群,并且将鸟群搜索算法（Bird Search Algorithm,BSA）中发现者和加入者的位置更新思想应用于SSA中发现者和加入者的位置更新。在前面的基础上,引入柯西变异和反向学习策略对其进行改进得到改进麻雀搜索算法（ISSA）。设计基于基准测试函数的仿真对比实验,对比ISSA和SSA的优化性能,结果表明ISSA的收敛速度以及收敛精度均优于SSA。为提高预测精度,本文提出了ISSA-LSSVM模型,对LSSVM模型的参数进行优化,从而得到该模型中较好的一组参数。通过设计仿真对比实验,将ISSALSSVM与LSSVM和SSA-LSSVM进行对比,以平均绝对百分比误差（MAPE）作为评价标准,结果表明该模型具有较高的预测精度。为了进一步提高预测精度,在前面的基础上,又提出ISSA-LSTM模型,将该模型与LSTM、SSA-LSTM和ISSA-LSSVM这三种模型对比,结果表明ISSA-LSTM模型比其他三种模型具有更高的预测精度。