短期电力负荷预测的准确性对电力系统的运营和规划至关重要.提出一种基于相似日的多模型融合方法(Similarity-based　Multi-Model　Fusion　Method,SMFM).首先,利用灰色关联分析法(Grey　Relational　Analysis,GRA)和平均基准负荷日选取相似日.其次,采用Stacking算法进行两阶段预测.第一阶段,采用极端梯度提升模型(Extreme　Gradient　Boosting,XGBoost)、轻量级梯度提升机(Light　Gradient　Boosting　Machine,LightGBM)以及卷积神经网络与双向长短期记忆(Convolutional　Neural　Network　combined　with　Bidirectional　Long　Short-Term　Memory,CNN-BiLSTM)网络融合模型.第二阶段,采用了多层感知器(Multilayer　Perceptron,MLP)模型,以进一步提高预测的准确性.实验结果表明,所提出的方法在均方误差(Mean　Squared　Error,MSE)、均方根误差(Root　Mean　Squared　Error,RMSE)和平均绝对误差(Mean　Absolute　Error,MAE)方面,较其他负荷预测模型有所提升.