本发明涉及一种自适应模态分解的深度学习电力负荷预测方法、介质及设备，属于负荷预测技术领域，首先采用网格化数值天气预报构建考虑广域气象差异性的特征构建方法，对影响负荷波动的关键气象要素进行深度挖掘；然后利用改进自适应噪声完备集合经验分解方法对电力负荷数据样本进行分解，进而采用样本熵计算各个分量的时序复杂度，基于复杂度相似性对分量进行聚合重构，最后构建深度特征挖掘的CNN‑LSTM时序网络模型，该方法有效表征了负荷波动的波动特性，深度挖掘了影响负荷波动规律的复杂非线性高维特征，突破了电力负荷的强波动性、周期性、随机性等多因素叠加影响导致负荷预测难度大的突出问题。