本发明公开了一种基于深度学习的短期电力负荷量预测方法，它包括以下实现步骤：(1)对负荷数据进行经验模态分解；(2)子序列分类；(3)高频分量再分解和参数优化；(4)模型搭建；(5)结果预测，相比较传统的短期电力负荷量预测方法，本发明通过引入模态分解，可将非平稳、非线性原始时间序列转化为若干子序列并重构，解决了短期电力负荷波动大、难以准确预测问题；通过对高频分量进行二次分解，可以有效地提取时序数据显著特征，将二次分解得到的子序列和未二次分解的子序列作为模型输入特征，有效提高了预测精度；利用SSA优化LSTM网络、VMD分解的关键参数选取问题，解决人工参数调整耗时和预测效果差的问题。