针对新能源企业用户高频上下网场景下，传统日粒度负荷预测方法存在用户用电行为异质性突出、时序数据有效跨度不足，且难以深度挖掘计量、负荷与线损耦合关联，预测精度和稳定性受限的问题，提出一种融合深度特征优化与Stacking多模型融合的短期负荷预测方法。首先，采用基于局部加权回归的季节-趋势分解法分解剥离负荷序列趋势、季节与残差分量，弱化高频负荷非平稳干扰；其次，结合企业用电生产特性，通过无监督聚类构建用户用电行为特征体系，依托递归特征消除筛选算法剔除冗余变量，筛选出与计量配置、线损计算高度相关的核心特征；最后，构建Stacking集成学习框架，融合极端梯度提升、长短期记忆网络、Prophet模型优势，以适配高频负荷动态波动规律。结果表明，该方法均方误差（MSE）为15.34、平均绝对误差（MAE）为2.96、决定系数（R

2

）达0.973、峰值平均绝对百分比误差（MAPE）仅2.59%，预测精度显著优于传统模型。研究可为高频上下网用户的电网计量优化、线损精准核算提供可靠数据支撑，助力电网经济高效运行。