本发明公开了一种基于误差因子和具有排序和选择功能的基于分解的多目标进化算法(multi‑objective evolutionary algorithm based on decomposition with sorting‑and‑selection,MOEA\D‑SAS)的多阶段集成方法用于解决短期负荷预测问题。该方法分为三阶段:在第一阶段中,采用门控循环单元(gated recurrent unit,GRU)对自适应噪声的完整集合经验模态分解(complete ensemble empirical modal decomposition with adaptive noise,CEEMDAN)分解的分量进行预测,并将其与原始数据集组合得到新数据集以充分挖掘数据特征;第二阶段采用改进的MOEA\D‑SAS以准确性和多样性为目标函数优化GRU网络参数,以得到若干个兼顾准确性和多样性的负荷预测模型和误差预测模型;第三阶段对第二阶段所得到的负荷预测值和误差预测值进行非线性集成,考虑误差因素以进一步提高预测精度。本发明能较好地拟合复杂的电力负荷数据,在提升预测模型准确的同时保证预测模型的泛化能力,对短期电力负荷实现准确预测,为电力调度提供数据支撑。