短期负荷预测是电力生产中的重要工作之一,精准的预测可以为电网的安全、经济运行提供保障。在电力市场不断推进的背景下,短期负荷预测能够为电力现货市场提供数据支撑,增加市场活力。近年来,随着储能、新能源和电动汽车接入电网的规模不断增大,以及基于激励、价格的需求侧响应模式的持续发展,短期负荷预测的复杂度明显增加。此外,高效、实时的电力交易对于预测的精度和效率提出了更高的要求。本文面向精度和效率两个指标,旨在提出一种具有更高精度和更快速度的短期负荷预测方法。在历史数据库中,受多种因素影响,负荷会表现出截然不同的特性,多种类型的负荷之间会相互影响,给精准的短期负荷预测带来困难。此外,当直接采用所有影响因素作为聚类特征时,会导致特征的划分和负荷的划分不一致,降低聚类质量。因此,提出一种结合随机森林（random forest,RF）和高斯混合模型（gaussian mixture model,GMM）聚类（简称为RGMM）的日负荷场景划分方法,首先采用RF提取出重要的聚类特征作为输入,接着带入GMM聚类中完成划分。最后,通过热力图展示,验证了本文所提出的RGMM聚类具有更好的划分效果。深度学习模型中的长短期记忆神经网络（long-short-term memory,LSTM）凭借其特有的循环单元同时处理时序性和非线性问题,适合应用在短期负荷预测领域中。由于模型的限制,LSTM神经网络只能提取负荷的前向时刻信息,但当前时刻的负荷值同时与前向时刻的信息和后向时刻的信息相关联。因此,本文引入了考虑双向信息的双向长短期记忆（bi-directional long-short-term memory,BILSTM）神经网络模型。通过算例分析,验证了BILSTM模型具有更高的预测精度,为了得到更好的预测效果,将RGMM聚类与BILSTM模型结合,结果表明,经过RGMM聚类后不仅提高了预测精度,也加快了预测速度。作为模型的输入特征,影响因素对于负荷变化的影响大小不是一成不变的,在一天中,会随时间的推移而发生变化,即影响因素的重要性值发生了波动。但是,BILSTM模型内部的权值共享结构具有时不变性,不能提取输入特征重要性值的波动,导致负荷预测的精度下降。针对此问题,本文结合互信息（mutual information,MI）和BILSTM模型（简称为MI-BILSTM）,提出一种考虑特征重要性值波动的MI-BILSTM预测方法。利用MI提取输入特征在不同时刻下的重要性值,组成重要性值波动矩阵,并将其作为系数修正原输入特征。最后代入BILSTM中完成训练和预测工作。经过算例的对比分析,验证了本文的MI-BILSTM模型进一步提高了预测精度。