精确的短期负荷预测（Short-Term Load Forecasting, STLF）在电力系统的平稳运行、未来容量规划、机组组合以及需求响应等方面发挥着至关重要的作用。然而，由于负荷具有非平稳性，且高度依赖于多种周期性和非周期性日历特征，以及高度相关且非线性的气象特征，现有技术难以实现高精度的负荷预测。为应对这一挑战，本文提出一种基于长短期记忆网络（Long Short-Term Memory, LSTM）与改进型分卷积（Split-Convolution, SC）神经网络的新型混合模型（LSTM-SC），用于单步与多步STLF。该混合网络中LSTM与SC的级联顺序设计，显著提升了对序列依赖特征及多层次空间特征的提取能力。模型基于巴基斯坦国家电网（National Grid）由国家输电与调度公司（National Transmission and Dispatch Company, NTDC）采集的负荷数据进行评估。在建模前，对原始负荷数据进行了预处理，并引入了多个相关特征以提升预测性能。为验证模型的泛化能力，LSTM-SC在公开可用的美国电力公司（American Electric Power, AEP）和新英格兰独立系统运营商（Independent System Operator New England, ISO-NE）数据集上进行了测试。此外，本文还研究了温度这一高度相关输入特征对负荷预测的影响，分别通过移除温度特征或向其添加高斯随机噪声的方式进行分析。在NTDC数据集上的性能评估结果显示，对于多步负荷预测，模型的均方根误差（RMSE）、平均绝对误差（MAE）和平均绝对百分比误差（MAPE）分别为500.98、372.62和3.72%；对于单步负荷预测，相应指标分别为322.90、244.22和2.38%。实验结果表明，所提出的LSTM-SC方法具有更低的预测误差，出色的泛化能力，并在多时间尺度预测中均表现出令人满意的性能。