近年来，以循环神经网络（RNN）为主体构建的预测模型在短期电力负荷预测中取得了优越的性能。然而，由于RNN不能有效捕捉存在于短期电力负荷数据的多尺度时序特征，因而难以进一步提升负荷预测精度。为了捕获短期电力负荷数据中的多尺度时序特征，提出了一种基于多尺度跳跃深度长短期记忆（MSD-LSTM）网络的短期电力负荷预测模型。具体来说，以长短期记忆（LSTM）网络为主体构建预测模型能够较好地捕获长短期时序依赖，从而缓解时序过长时重要信息容易丢失的问题。进一步地，采用多层LSTM架构并且对各层设置不同的跳跃连接数，使得MSD-LSTM的每一层能够捕获不同时间尺度的特征。最后，引入全连接层把各层提取到的多尺度时序特征进行融合，再利用该融合特征进行短期电力负荷预测。实验结果表明，与单层LSTM和多层LSTM相比，MSD-LSTM的均方误差总体下降了10%。可见MSD-LSTM能够更好地提取短期负荷数据中的多尺度时序特征，从而提高短期电力负荷预测的精度。