短期电力负荷预测对电力系统调度起着至关重要的作用,提高短期负荷的预测精确度具有重要意义。随着计算机硬件算力的大幅增长,新型的智能技术在如今电力数据日益增长的背景下得到了广泛的应用;同时,随着新型电力系统发展,更为高效的多能源耦合运行形式使负荷预测具备了更多的可挖掘特征。针对当前负荷预测技术存在的问题及难点,首先提出一种基于新型智能算法的组合预测模型并使用传统电力场景下真实电力负荷数据对模型有效性进行验证;然后考虑当前综合能源系统中多种能源形式互相耦合的场景特性,分析电冷热负荷耦合对电负荷预测精确度的影响。主要工作为以下几方面:（1）阐述了短期负荷预测的特点及负荷预测实现过程中遵循的原则;简要介绍了综合能源系统能源交互结构;对预测模型所使用的算法原理进行了阐述,包括人工神经网络原始前馈二层结构及多层深度结构、针对图像视觉处理问题的变体卷积神经网络、针对时序问题的变体循环神经网络、应用于神经网络超参数优化的群智能优化算法及应用于建模负荷输入信息结构的注意力机制。（2）针对传统单一负荷预测方法精度不够高、参数选择困难等问题,提出了基于麻雀搜索优化的注意力门控循环单元组合预测方法。统计瑞士电网真实电力负荷数据,首先探究负荷数据的内在变化规律及相关外在因素对负荷波动的影响,对负荷数据与影响因素数据进行相关性分析,筛选出相关性强的因素加入输入集特征,舍弃相关性弱的因素以降低数据集维度。采用门控循环单元为时序特征提取的主要结构,在此基础上,结合注意力机制建模输入序列结构信息使包含重要信息的序列得到强调,并应用麻雀搜索算法对注意力门控循环单元超参数组进行优化使预测精确度进一步提高。结果表明,注意力机制能够有效提高关键信息的输入比重,结合麻雀搜索算法对模型超参数的优化筛选,对比传统单一预测模型,所提模型有更高的预测精准度。（3）为分析新型能源系统中多种能源形式耦合对电负荷预测的影响,统计了亚利桑那大学坦佩校区用户级综合能源系统负荷数据。首先对原始数据进行预处理,对缺失值进行查询插补并将原始数据进行归一化以提高模型训练效率。采用皮尔森分析方法对多元负荷之间及影响因素进行相关性分析,筛选出相关性强的因素加入输入集特征,舍弃相关性弱的因素以降低数据集维度。为定量讨论多元负荷耦合对电负荷预测的影响,构建不同预测场景下的输入集并对比预测数据结果。结果表明,多元耦合负荷较单独电负荷具备更多可挖掘内在信息,可进一步提升电负荷预测精确度。