La predicción de carga a corto plazo (STLF), especialmente para la predicción de carga agregada regional, es esencial en la operación y control de la red inteligente. Sin embargo, los métodos existentes basados en CNN no pueden extraer eficientemente las características esenciales de la carga eléctrica. La razón es que el requisito básico de usar CNN es la invarianza espacial, que no se cumple con los datos reales de electricidad. Además, los modelos existentes no pueden extraer las características de entrada multi-escala al representar la tendencia de la carga eléctrica, lo que resulta en una reducción en el rendimiento de la predicción. Como solución, este artículo propone un nuevo modelo de conjunto, que es un marco de cuatro etapas compuesto por un módulo de extracción de características, un bloque residual densamente conectado (DCRB), una capa de memoria a corto y largo plazo bidireccional (Bi-LSTM) y pensamiento de conjunto. El modelo primero extrae las características básicas y derivadas de los datos brutos utilizando el módulo de extracción de características. Las características derivadas comprenden la temperatura promedio por hora y las características de carga eléctrica, que pueden capturar una gran aleatoriedad y características de tendencia en la carga eléctrica. El DCRB puede extraer eficazmente las características esenciales de los datos de entrada multi-escala anteriores en comparación con los modelos basados en CNN. Los resultados del experimento muestran que el método propuesto puede proporcionar un rendimiento de predicción más alto que los modelos existentes, casi un 0.9-3.5%.