日高峰时段负荷的强波动性和随机性极大地影响了传统方法在进行负荷预测时的准确性，提出一种基于变分模态分解(variational mode decomposition, VMD)与辅助任务学习的短期负荷预测方法。首先，利用斯皮尔曼等级系数法确定与原始负荷具有强相关性的气象特征。然后，采用变分模态分解算法逐次分离出原始负荷序列中的低频趋势和高频波动。接着，将其与相关气象结合作为辅助任务训练数据输入CNN-Bi GRU混合预测模型，并通过共享特征及跨任务注意力机制降低负荷强波动性对负荷预测的影响，实现对原始负荷的准确预测。最后，以我国南方某地区近3年内社会负荷数据为例进行仿真验证。结果表明，所提方法有效降低了日高峰时段负荷的强波动性和随机性对预测模型的影响，提升了负荷预测的准确度。