随着电力系统的快速发展,大量的新型能源并网,对电力系统的运行造成了一定的影响。为了保证电力系统稳定运行,电力系统对负荷预测的要求愈来愈高,不仅要考虑到负荷复杂的非线性,还要考虑用电差异导致的强随机性。如何提高负荷预测的准确度以及适用性,成为了目前国内外研究人员的重点研究方向,对提高短期负荷预测的整体性能具有重要的意义。针对负荷的非平稳性和随机误差导致预测精度不高的问题,通过深入分析均值漂移聚类和变分模态分解的工作原理,提出了基于均值聚类的变分模态分解方法。通过均值聚类使具有相似特性的负荷归为一类,提高了负荷矩阵的低秩性,将聚类后的负荷用变分模态分解算法进行分解,使每类负荷分解为规律性更高的分量,减少了非平稳性和随机误差造成的影响。针对经典负荷预测方法在短期负荷中存在多步长预测精度不高的问题,提出一种基于双注意力序列到序列（Double Attention Sequence to Sequence,DA-Seq2Seq）的短期负荷预测方法。并对注意力机制和序列到序列模型进行了研究和探索,深入分析了自注意力（Self-Attention）、时间注意力（Temporal-Attention）和序列到序列模型的工作原理,考虑特征因素与局部负荷变化之间联系特性,通过自注意力提取负荷特征之间的相关性,时间注意力学习时序特征,能够有效挖掘负荷数据特征,捕获短期局部变化以及长期宏观特性,使模型自适应地学习负荷数据之间的隐含特征。根据实际负荷预测的要求,详细地介绍了DA-Seq2Seq模型的设计过程与预测流程。将处理后的负荷数据进行了详细对比实验,对比分析了几种经典模型的预测准确度,详细分析了节假日类型的预测精度,对比了模型在不同预测步长下的预测精度,证明了本文模型具有较高的准确度和适应性。对DA-Seq2Seq模型进行了鲁棒性测试分析,验证了模型具有良好的鲁棒性和可行性。