随着用电量的快速增长,电力装机量迅速扩张,对电网的规划调度提出了更加精细化的要求,发电企业和电力部门需要更加精准的掌握负荷的变化规律以及发展趋势。精确的电网负荷预测可以保障电网的安全运行,实现科学发电、调度以及配电,并且电力公司进行总体规划、发电计划制定、电力市场、具体设计等都需要负荷预测,因此增强短期电力负荷预测精度成为电力计划的重要工作之一。近年来,电力负荷预测也是许多专业人员的重点研究方向,本文主要通过基于时间序列成像的集成模型方法来提高电力负荷预测精度。本文首先提出了SSA-LSTM-Text CNN的短期负荷预测方法。奇异谱分析（SSA）作为一种研究非线性时间序列的方法,通过奇异谱分析可以提取出代表原序列不同成分的信号。长短期记忆网络（LSTM）可以解决循环神经网络中梯度消失的问题,使探索数据之间的时间特征成为可能,卷积神经网络（CNN）可以有效提取数据中的特征。首先通过奇异谱分析对负荷数据进行分解,将分解之后得到的向量输入长短期记忆网络,利用长短期记忆网络获取数据中的时间关系,并且利用Text CNN提取向量间的特征,得到最终的预测结果。通过算例分析,Text CNN网络在所有指标中都显示了其最佳的精确度,这也验证了卷积神经网络在短期负荷预测中的性能。为了能够更好的利用长期历史负荷,提取出其中的依赖关系以及更多的特征,提出了GASF-Attention-Res Net模型结构。格拉姆求和场通过将数据编码为角余弦,将时间编码为半径,得到编码之后的图像数据,利用卷积神经网络感受野较大的特点,可以有效提取时间序列中的数据。本章利用格拉姆求和场将长时间的历史负荷转换为图像。在模型方面,模型的第一阶段为一个组合模型,所有的数据特征通过这个组合模型,得到了一个初步的预测结果;模型的第二阶段为自注意力层组成的网络架构,自注意力层可以捕获数据间长时间的依赖关系的。最后采用经典的Res Net作为模型的第三阶段网络。残差网络可以很好的避免深层网络带来的网络退化问题,同时可以有效的提取特征。在预测未来24小时的结果方面,GASF-Attention-Res Net在多个指标中都显示了最佳的精确度,模型集成通过融合多个训练好的模型,实现测试数据的多模型融合,这样可以使最终的结果融合各个学习器的优势,提高最终模型的预测性能。快照集成在一次训练过程中可以得到多个模型,对这些模型进行集成,有效的提高负荷预测的准确性。线性加权可以对多个不同的模型结果进行集成。根据集成模型的基本思想,采用所提出的模型—GSAR/GDAR/MAR作为基学习器;在集成策略方面,主要采用加权投票和快照集成两种集成策略。通过实验分析,GSAR,GDAR,MAR经过各自的快照集成之后,在对这三个模型的预测结果采用线性回归进行线性加权,融合各个模型的优势,集成模型得到了最佳的预测结果,验证了本文所提出的短期负荷预测方法的有效性,可以合理的对真实负荷数据进行分析预测。