【目的】准确的电力负荷预测是电力系统实现顺利运行和有效管理的关键，可使电力公司有效调度发电设备，从而提高电力系统的运行效率和经济效益。然而，电力负荷数据受多种外部因素影响，同时具有显著的时间依赖性，导致其难以精准预测。为此，提出一种融合多因素建模与时间序列分析的电力负荷预测模型，通过兼顾多因素复杂影响分析与电力负荷时间依赖性特征，实现电力负荷的精准预测。【方法】为了突破多因素分析方法与时间序列预测建模方法各自的局限性，基于深度学习与多因素分析方法，提出了一种结合长短期记忆(long short-term memory, LSTM)网络与贝叶斯优化算法的改进电力负荷预测模型。首先，构建了一个全面的多因素特征池，包括电力负荷的历史时序特征和多种外部因素特征，以充分捕捉电力负荷数据与多种影响因素间的复杂关系。其次，采用LSTM网络作为核心模型，利用其独特的门控机制与记忆单元，捕捉电力负荷数据的时间依赖性和多因素之间的复杂关联。引入贝叶斯优化算法对LSTM模型的超参数进行调优，以高斯过程作为代理模型，充分利用先验信息，提升模型训练效率和预测性能。【结果】利用5个实际变压器数据集对模型进行了训练和测试，并通过多种评价指标验证了模型的有效性。基于多因素特征工程建模的电力负荷预测方法在5个不同变压器数据集上的预测性能均显著优于利用单一因素预测的模型，进一步突出了多因素特征池的有效性。LSTM模型的最大决定系数为0.920 7,最小均方误差为0.042,最小平均绝对误差为0.024,表明其在复杂电力负荷预测任务中具有优越性能。【结论】融合多因素建模与时间序列分析的电力负荷预测模型充分考虑了外部因素的复杂性和电力负荷数据的时间依赖性特征，创新性地引入了一个全面的特征池参与LSTM模型的训练和测试。结合多因素特征池建模的LSTM网络具有较高的预测精度和鲁棒性，为电力负荷预测提供了新的技术思路，对智能电网的规划和调度具有重要的参考价值，并为进一步发展精准负荷预测技术奠定了基础。