短期电力系统负荷预测是电力系统运行、市场规划的关键前提,其准确性可以保证电力系统安全稳定运行,降低发电成本,提升经济效应。随着我国正处于“十四五”时期,电力需求持续增长,对短期负荷预测结果的准确性提出了更高的要求。目前短期负荷预测主要研究方向侧重于预测模型的整体优化,这在一定程度上提高了预测精度。但是这些预测方法大多数是建立在对所有影响因素的分析之上,对不同季节影响负荷的因素各不相同这个角度未能考虑全面,导致冗余信息存在无法使预测精度进一步提升。本文以不同季节影响因素对负荷影响程度不同为新的切入角度,构建了一种组合神经网络CNN-LSTM-Attention的负荷预测方法以提高预测精度,主要研究工作如下:首先,以某地区公开的电力负荷数据为样本,分析了负荷序列的日、周、年周期特性变化规律,研究了气象因素、电价等对电力负荷的影响,并介绍了负荷数据处理方法。其次,基于负荷序列的周期性利用Pearson相关性与Spearman相关性综合分析确定了四个季节对负荷的主要影响因素,构建了不同季节的输入特征数据集。由于电力数据时序性特点,故搭建LSTM单一短期负荷预测网络,进行了不同季节下的日负荷预测、周负荷预测。通过横向纵向实验对比,预测结果表明基于特征选择的LSTM神经网络对比全特征输入的LSTM、全特征输入的Light GBM单一网络预测精度有所提升,验证了所提研究角度的有效性。最后,为了解决单一网络预测精度较低和LSTM网络在处理较长负荷较耗时的问题,利用组合网络从不同角度挖掘信息的优势,在引入注意力机制的基础上,构建了CNN网络和LSTM网络相结合的电力负荷预测组合网络。结合CNN易处理高维数据且可以更好挖掘到负荷序列的隐含特性和注意力机制可以对输入的影响因素进一步分配权重的优势,以相关性分析出的四季主要因素为基础进行仿真实验。实验结果表明,基于特征选择输入的CNN-LSTM-Attention组合网络对比全特征输入的CNN-LSTM-Attention网络、全特征输入的CNN-LSTM网络,在不同季节上预测精度均有进一步提高。