家庭电力负荷是电力负荷的重要组成部分,精准的短期家庭电力负荷预测对电力价格的制定、需求侧响应或者电力传输等问题有着巨大的帮助。相比于电力负荷,家庭电力负荷的波动性更大,随机性更强,预测难度更高。本文以提高家庭电力负荷预测精度为目的,采用信号分解和特征筛选作为数据预处理方法,基于Attention机制的神经网络模型进行预测研究。本文主要开展了如下工作:（1）本文主要采用的数据集包含多个变量,每个变量所含的信息对预测模型的影响程度不同,过多的冗余变量会导致预测时间的增加和预测效果不理想,故需对变量进行特征筛选,滤除冗余变量从而提高预测精度。本文采用递归特征消除法（Recursive Feature Elimination,RFE）来进行变量的选取,其中RFE采用的筛选模型是随机森林（Random Forest,RF）。（2）对于家庭电力负荷数据而言,其中包含大量的噪声,体现在负荷曲线上具有强烈的波动性和随机性。为了提取有效信息,本文采用变分模态分解（Variational Mode Decomposition,VMD）对负荷数据进行分解,分解出的子信号包含负荷的周期性信息,将子信号加入数据集中组成新的数据集,使新的数据集信息量更加丰富,有助于预测模型的建立。（3）随着大数据的兴起,神经网络在对时序数据的预测方面体现出比传统线性预测方法效果更好,本文采用了基于长短期记忆网络（Long Short-term Memory,LSTM）结合自注意力机制（Self-attention Mechanism,SAM）和注意力机制（Attention Mechanism,AM）的预测模型。传统的LSTM在处理序列问题时,给予输入量的权值是相同,当处理长序列问题时,LSTM模型的计算复杂度大大增加,预测效果下降,而SAM和AM在处理长序列数据时,给予每个序列不同的权重,通过训练来更新权重,选取权重大的信息处理,从而提高预测精度。（4）将经过数据预处理后的数据输入预测模型中进行测试,采用平均百分比误差（Mean Absolute Percentage Error,MAPE）,均方根误差（Root Mean Square Error,RMSE）作为评估函数对预测模型的预测效果进行评估。通过实验对比验证本文所提的方法可以提高预测精度。