随着智能电网的兴起,大规模的可再生能源发电设备和电动汽车充电桩接入电网中,电力负荷同时受到多种复杂因素的影响,呈现随机性、非线性和时序性等特点,提高短期负荷预测的准确性成为一项具有挑战性的任务。近年来基于深度神经网络的智能预测算法成为短期负荷预测的研究热点。卷积神经网络（CNN）能够深入挖掘复杂数据特征,长短期记忆网络（LSTM）具有时间序列学习能力。本文基于CNN-LSTM的混合短期负荷预测模型展开研究,主要的工作如下:首先,针对负荷数据时序性和非线性特点,提出基于序列特征提取的1DCNN-LSTM预测模型。将历史负荷数据和温度数据按照相同时间维度排列成为特征序列,通过设计一维卷积神经网络（1DCNN）的卷积核结构在特征序列时间维度上提取邻近节点负荷与温度的耦合特征,再将提取的特征向量重构成新的时间序列形式作为LSTM的输入进行负荷预测。算例结果表明1DCNN-LSTM能够兼顾1DCNN和LSTM的优势,相比单一模型1DCNN、RNN、LSTM具有更高的预测精度。其次,为了充分挖掘负荷数据的时序特征,提出基于时序模块特征提取的2DCNN-LSTM（SFE-2DCNN-LSTM）预测模型。考虑负荷序列的自相关性、负荷与温度的互相关性分别建立时序特征模块,利用两个独立的二维卷积神经网络（2DCNN）分别提取负荷模块的时序性特征、负荷-温度模块的非线性特征,LSTM负责将提取的特征映射成负荷预测值。算例结果表明SFE-2DCNN-LSTM相比1DCNN-LSTM在长序列特征提取能力和预测准确率上具有优势。同时针对多步长负荷预测问题,基于SFE-2DCNN-LSTM建立滚动策略和多输出策略的日负荷预测模型,结果表明采用多输出策略比滚动策略更适用于多步长的日负荷预测。最后,为了进一步提高负荷预测准确性,提出基于注意力机制改进SFE-2DCNN-LSTM预测模型。针对传统的LSTM难以有效提取序列潜在的高维特征且序列过长时容易丢失重要信息问题,利用注意力机制的映射加权赋予LSTM隐含状态不同权重,突出影响负荷的重要特征,使模型更容易获取长序列的相互依赖关系。结果表明注意力机制能够进一步优化SFE-2DCNN-LSTM的日、周负荷预测性能,与1DCNN-LSTM、TCN、Attention-LSTM相比具有更高的准确性和鲁棒性,同时在日最大负荷接近5000MW大区域和接近2000MW小区域的负荷预测中具有普适性。