短期电力负荷预测是对未来较短时间内的电力负荷进行预测的过程.当前短期电力负荷预测存在不确定性强、负荷变化快、计算成本高等问题.针对以上问题，本文通过融合多头自注意力(Multi-head self-attention, MSA)机制与长短期记忆(Long short-term memory, LSTM)网络，提出了一种新型的MSA-LSTM模型用以进行短期电力负荷预测.该模型旨在处理电力负荷数据的时间依赖性和复杂性，增加MSA结构作为LSTM网络结构的输入模块，增强LSTM网络的长期记忆能力和对关键时间序列特征的捕捉能力.对目标数据集的实验验证表明MSA-LSTM模型在预测精度和稳定性方面均优于传统LSTM模型和双向长短期记忆(Bidirectional long short-term memory, BiLSTM)模型.利用第九届电工杯电力负荷数据和气象数据的数据集对本文所提出的模型进行十折交叉验证，相比LSTM模型和BiLSTM模型，MSA-LSTM模型的平均均方误差(mean square error, MSE)分别减少4.285%和2.672%,误差的标准差分别减少6.575%和3.406%.研究结果表明，该模型在电力系统负荷预测中具有较高的应用价值，对优化电力系统运营和决策支持具有重要意义.