Para abordar las dificultades y problemas actuales de la predicción de carga a corto plazo (STLF), este documento propone un método de pronóstico combinado basado en el algoritmo de búsqueda de gorriones mejorado (ISSA), con mutación de Cauchy fusionada y aprendizaje basado en oposición (OBL), para optimizar los hiperparámetros de la red de memoria a largo y corto plazo (LSTM). Para el algoritmo de búsqueda de gorriones (SSA), se utiliza primero una población de inicialización caótica de Seno, con un número infinito de pliegues de mapeo, para sentar las bases de la búsqueda global. En segundo lugar, se introduce la solución óptima global de la generación anterior de manera actualizada en la ubicación del descubridor, para mejorar la adecuación de la búsqueda global, mientras se añaden pesos adaptativos para conciliar la capacidad de explotación local y búsqueda global del algoritmo, así como para acelerar la velocidad de convergencia. Luego, fusionando la aritmética de mutación de Cauchy y la estrategia de OBL, se realiza una mutación de perturbación en la posición de la solución óptima para generar una nueva solución, lo cual fortalece la capacidad del algoritmo para salir del espacio local. Después de eso, se construye el modelo de pronóstico ISSA-LSTM, y se verifica el ejemplo basado en los datos de carga de energía de una región, mientras se realiza la comparación experimental con varios algoritmos, y los resultados confirman la superioridad del modelo ISSA-LSTM.