La predicción precisa de la carga a corto plazo es crucial para el departamento de despacho de la red en el desarrollo de planes de generación de energía, la regulación de la producción de unidades y la minimización de pérdidas económicas. Sin embargo, debido a la variabilidad en el comportamiento de consumo de electricidad de los clientes y la aleatoriedad de las fluctuaciones de carga, es difícil lograr una alta precisión en la predicción. Para abordar este problema, proponemos un modelo de aprendizaje profundo de conjunto que utiliza estrategias de agrupamiento y descomposición de dimensionalidad reducida para mitigar grandes errores de predicción causados por la no linealidad y la inestabilidad de las secuencias de carga. El modelo propuesto consta de tres pasos: en primer lugar, las características de carga seleccionadas se reducen dimensionalmente utilizando la descomposición de valores singulares (SVD), y las características principales se utilizan para agrupar diferentes cargas. En segundo lugar, se aplica la descomposición de modo variable (VMD) para descomponer la carga total de cada clase en funciones de modo intrínseco de diferentes frecuencias. Finalmente, se desarrolla un modelo de aprendizaje profundo de conjunto combinando las fortalezas de los algoritmos de aprendizaje profundo LSTM y CNN-GRU para lograr una predicción precisa de carga. Para validar la efectividad de nuestro modelo propuesto, empleamos datos reales de carga de electricidad residencial de una provincia en el noroeste de China. Los resultados demuestran que el algoritmo propuesto tiene un mejor rendimiento que los métodos existentes en cuanto a precisión predictiva.