高效准确的短期负荷预测在电力市场交易过程中可以提高发电设备的利用率和经济调度的有效性。为解决历史数据当中特征因素较多且特征关系不明显等问题，并充分挖掘负荷数据中时序性特征的联系，本文提出了一种基于贝叶斯优化的卷积神经网络（convolutional neural network，CNN）-双向门控循环网络（bidirectional gate recurrent unit， BiGRU）短期电力负荷预测方法。首先结合特征工程，采用皮尔逊相关系数对负荷特征参数进行初筛，再用递归特征消除（recursive feature elimination， RFE）结合回归模型对特征进行反向选择，完成特征参数筛选；搭建CNN-BiGRU网络模型，并使用贝叶斯优化对其进行超参数调优；将数据输入CNN网络，利用其提取反映特征与负荷之间复杂变化关系的高维特征向量，并将所提特征向量构造为时间序列形式，再输入到BiGRU网络中，完成短期负荷预测。本文以农夫山泉公司以及美的暖通公司所在地区的真实数据作为实际算例，根据实验结果显示，本文模型与其他模型相比具有更好的预测效果。