La previsión de carga eléctrica a corto plazo es de gran importancia para la operación segura, la gestión eficiente y la programación razonable de la red eléctrica. Sin embargo, la carga eléctrica puede verse afectada por diferentes tipos de perturbaciones externas, por lo que existen altos niveles de incertidumbre en los datos de series temporales de carga eléctrica. Como resultado, es una tarea desafiante obtener pronósticos precisos de la carga eléctrica a corto plazo. Con el fin de mejorar aún más la precisión de la previsión, este estudio combina la red de memoria a largo y corto plazo (LSTM) impulsada por datos y la máquina de aprendizaje extremo (ELM) para presentar un método de previsión basado en un modelo híbrido para la predicción de cargas eléctricas a corto plazo. En este modelo híbrido, se adopta la LSTM para extraer las características profundas de la carga eléctrica, mientras que la ELM se utiliza para modelar los patrones superficiales. Para generar el resultado final de la previsión, los resultados predichos de la LSTM y la ELM se combinan mediante el método de regresión lineal. Finalmente, el método propuesto se aplica a dos problemas reales de previsión de carga eléctrica, y se realizan experimentos detallados. Para verificar la superioridad y las ventajas del modelo híbrido propuesto, se compara con el modelo LSTM, el modelo ELM y la regresión de vectores de soporte (SVR). Los resultados experimentales y de comparación demuestran que el modelo híbrido propuesto puede ofrecer un rendimiento satisfactorio y puede lograr un rendimiento mucho mejor que los métodos comparativos en esta aplicación de previsión de carga eléctrica a corto plazo.