针对船舶电力负荷数据预测时存在的实时性差、存储数据量小且质量低等问题，提出一种结合数据插补、小波阈值去噪与概率稀疏自注意力(ProbSparse self-attention)机制的新型短期负荷预测方法。首先，在数据预处理阶段，在不影响原始数据特征及趋势前提下通过插值填补缺失数据，扩充数据库以满足模型训练要求，同时考虑到原始船舶电力负荷数据可能存在噪声干扰等问题，为减小其对模型预测效果的影响，对原信号采用了小波阈值去噪处理的方法来改善数据质量。其次，在预测模型中引入概率稀疏自注意力机制，在有效捕获时序电力数据中的依赖关系和重要特征的同时，降低内存资源占用，减小模型复杂度，满足船舶电力负荷预测实时性要求，实现了预测精度与效率双优化。相较传统Transformer模型、ARIMA和LSTM模型，本文模型在均方根误差和平均绝对百分比误差上平均分别降低了13.1%、18.6%,效率平均提高24.0%以上，表明本文方法在船舶电力负荷数据预测模型准确度及效率上具有明显优势。