短期电力负荷预测（Short-term load forecasting,STLF）在电力系统的自动化控制、电力安全、市场运营、调度方案优化等方面发挥着重要作用,其预测范围一般为提前1天～1周。由于电力负荷序列本身的非线性、非平稳等特征以及各种影响因素对负荷的复杂影响,很难实现高精度的短期负荷预测。本文提出一种结合相似日选择（Similar Day Selection,SD）、变分模态分解（Variational Mode Decomposition,VMD）和长短期记忆（Long Short-Term Memory,LSTM）神经网络的混合算法,构建了基于SD-VMDLSTM短期电力负荷预测模型。本文的主要研究内容如下:（1）本文详细全面地介绍了电力负荷预测的基本理论,主要从电力负荷预测的基本概念、影响因素和误差分析三个方面进行介绍,总结了短期电力负荷预测基本流程。（2）增加关键特征:目前温度、湿度、日前负荷和日期类型等因素已经被广泛地应用于STLF的输入特征,但本文通过Xgboost算法也认识到STLF对日前峰值负荷很敏感,所以考虑将峰值负荷特征补充到本文所提模型的输入特征中。通过算例表明,增加日前峰值负荷的模型在用电高峰时间段的预测精度比原来的模型高。（3）提出基于Xgboost-K-means的相似日选择方法:本方法先利用Xgboost对每个输入特征进行评分并为每个特征添加权重系数,最后利用基于加权系数的改进Kmeans聚类算法对电力负荷进行相似日选择。通过算例表明,所提出的Xgboost-k-means方法可以有效地将相似日合并到一个聚类中。（4）提出基于SD-VMD-LSTM的短期电力负荷预测模型:采用VMD方法把通过SD方法处理过的数据分解为几个固有模态函数（IMFs）,再利用LSTM神经网络分别对每个IMF序列进行预测,最后对各个LSTM模型的预测值进行重构。将本文所提方法在美国某地区真实负荷数据集上分别与LSTM、SD-LSTM、VMD-LSTM、SD-ARIMA、SD-BPNN和SD-SVR模型进行了提前一天和提前一周的负荷预测。算例结果表明,SDEMD-LSTM模型在较长水平负荷下（1天～1周）的预测效果优于大多数已有的预测模型。