伴随着智能电网的迅速发展和供电规模的不断扩大,电力负荷预测已成为保障电力系统规划发展必不可少的工作。准确预测对电力系统经济稳定运行和高效调度具有根本意义。科学预测是合理规划和正确决策用电的理论依据。因此,寻找一种有效的短期负荷预测方法对提高预测精度具有十分重要的意义。进行生活用电负荷预测工作中,由于各种影响因素的存在,会导致负荷数据序列的波动和不稳定。采用集成经验模态分解（EEMD）算法将历史负荷数据分解为有限个固有模态分量（IMF）和一个残差分量。长短时记忆网络（LSTM）具有拟合复杂数据和对复杂数据进行时间相关性分析的优点。生活用电负荷数据受多种复杂因素的影响,具有很强的随机性。采用单一的预测模型进行预测,预测精度低,预测时间长。为了解决高维数据的问题,采用AE自动编码器提取影响因素的特征,得到其高阶特征表示,挖掘其深层特征因子。为了优化LSTM模型,降低数据维数,减少数据干扰,建立自动编码器优化的LSTM模型。本文提出了一种EEMD分解、AE自动编码器和LSTM神经网络相结合的EEMD-AE-LSTM算法,用于居民生活用电短期负荷预测。输入生活用电负荷数据的影响因素,进行特征提取得到特征序列。与集成经验模式分解的各个数据分量,形成不同的训练矩阵。利用LSTM模型进行预测,通过叠加预测值得到最终的预测结果。最终通过实验,将EEMD和AE优化的LSTM组合预测模型与LSTM预测模型、AE优化的LSTM预测模型、EEMD和LSTM组合预测模型三种负荷预测模型进行比较,并用MAPE和RMSE的性能指标进行了验证分析。MAPE分别降低了7%、5.4%和4.1%,而RMSE则降低了14.52、8.19和6.88。和本实验的其他三个预测模型比较,有很大改进。通过实验验证了组合优化算法的有效性,负荷预测精度明显提高。本文提出的生活用电负荷预测组合方法,具有较强的推广性能。同时又具有数据的深度挖掘能力,是一种更有效的短期负荷预测方法。