电力系统负荷预测对于制定安全、可靠、经济的电力系统运行策略甚为关键,也在保障电力供需平衡方面具有举足轻重的作用。然而,全球新冠肺炎大流行重挫了世界经济,同时也直接或间接影响了人类的生产、生活行为模式,导致电力消耗发生了不同于正常日的剧变。在此期间,传统的单任务、单指标和单级别的时序和非时序短期负荷预测方法能否准确捕捉急剧变化的负荷模式,还有待深入研究。此外,电力调度部门也迫切需要足够轻量、高效、精确的方法在新冠肺炎期间各阶段进行可靠的短期负荷预测。因此,对新冠肺炎期间电力负荷特性进行分析,提出满足行业实际需要的短期负荷预测模型,具有重要的学术价值。鉴于此,本文收集了新冠肺炎疫情的有关资料,对疫情期间的电力系统负荷特性进行了深入分析。在充分考虑长短时记忆网络（Long Short-Term Memory Network,LSTM）的优良特性基础上,针对有无充足多地负荷数据及计算资源的场景,提出了基于人口流动性优化和多任务学习的电力系统短期负荷协同预测模型,以及基于时间卷积网络的单任务电力系统短期负荷组合预测模型。最后,通过对大量不同规模、等级的数据集进行测试,充分证明了模型在新冠肺炎期间的有效性、鲁棒性,并辅以模型解释法优化了模型的可解释性。具体的,本文取得的创新性成果可归纳为:（1）提出在新冠肺炎期间将反映社会运作模式的指标——人口流动性指标引入电力系统短期负荷预测中,以优化负荷预测模型对电力负荷变化趋势的跟随能力。该类指标通过量化表征新冠肺炎期间人类生产、生活引起的迁徙行为,反映了特定区域下人类受多种因素（例如,政治、天气和个人习惯等）影响下的运动特点,对实现高精度负荷预测具有潜在的巨大价值。（2）提出了一种基于人口流动性优化和多任务学习（Multi-Task Learning,MTL）的LSTM-MTL电力系统短期负荷协同预测模型,并引入以合作博弈论为基础的Shapley可视化模型解释技术提升模型可解释性。该协同预测模型通过增加参数共享层充分利用了邻近地域的耦合信息。通过对来自美国、欧洲的多级负荷进行多种测试,证明了该模型在新冠肺炎期间性能好、精度高、通用性佳。此外,Shapley解释技术揭示了各负荷指标对预测结果的贡献和影响机理,并证明了指标相关性和实际贡献的非同步关系。（3）针对因客观原因无法实施多地协同预测的场景,提出了一种基于时间卷积网络（Temporal Convolutional Network,TCN）和LSTM的TCNLSTM短期负荷组合预测模型。该模型充分考虑LSTM于长序列输入中鲁棒性欠佳问题,通过辅以TCN网络捕获广阔时序感受野下的信息。通过前述多地、多级验证实验,变长时序输入下的训练和预测实验,及全时鲁棒性测试实验,证明了该模型在不同时序长度输入下的有效性、鲁棒性。