负荷数据的高度随机性和不确定性，导致短期负荷预测的精度很难提升。为了提高短期负荷预测的准确度，提出了一种基于完全自适应噪声集合经验模态分解（CEEMDAN）与卷积神经网络（CNN）和门控循环单元（GRU）组合模型的短期负荷预测方法。首先，利用CEEMDAN模型将复杂的原始负荷序列分解为几个相对简单的子序列；其次，利用卷积神经网络（CNN）和门控循环单元（GRU）建立各分量预测模型，将归一化后的分量输入训练模型，得到预测子序列。最后，将所有分量的结果汇总得到最终预测结果。实验表明，CEEMDAN-CNN-GRU组合模型对比LSTM模型、GRU模型、EEMD-GRU组合模型有明显的精度提升，平均提升了25.08%、23.59%和16.21%。CEEMDAN-CNN-GRU组合模型能够提取历史负荷数据中的非线性特征，有效提升短期负荷预测精度，为电力系统建设提供有力支撑。