电力负荷预测是电力系统稳定运行与合理规划中的核心任务之一，其涉及到对未来一定时间内电力需求的准确估计。为进一步提升电力负荷预测的准确度，文章提出一种基于K近邻加权相似性的密度峰值聚类(density peaks clustering algorithm with k-nearest neighbors and weighted similarity

DPC-KWS)算法和混合分解方法相结合的短期负荷预测方法。首先，采用DPC-KWS算法，将具有相同功耗行为的负荷数据聚为一类；其次，将聚类后的序列通过集成补丁变换(ensemble patch transform

EPT)将数据分解为趋势分量和日波动分量；然后，将日波动分量通过改进的带自适应噪声的完全集成经验模态分解(improved complete ensemble empirical mode decomposition with adaptive noise

ICEEMDAN)为不同频率的分量；最后，将趋势分量和不同频率的分量使用时间卷积网络(temporal convolutional networks

TCN)从序列中提取短期特征，然后经过长短期记忆网络(long short-term memory

LSTM)捕获数据中的长期依赖性并进行预测。结果表明，将预测结果重构得到最终的负荷预测结果，与现有模型的实验结果对比表明，所提方法在负荷预测上是准确的，验证了所提方法的准确性。