随着以新能源为主体的新型电力系统建设的推进,电力负荷不确定性显著增强,对电网安全稳定与经济运行构成严峻挑战。在此背景下,概率预测、区间预测等不确定性负荷预测方法受到广泛关注。场景生成技术通过建模并模拟负荷、气象与新能源出力等多源不确定性因素,为预测模型提供关键输入。提出一种融合深度强化学习(DRL)与条件扩散模型(CDM)的短期负荷预测场景生成方法。针对负荷、气象等多元时序数据的复杂耦合与动态特性,设计了结合双向长短期记忆(Bi-LSTM)网络、自注意力机制及季节性分解层的条件扩散模型,以精准学习数据内在条件概率分布,生成高保真度未来场景。同时,为解决超参数整定难题,构建了基于DRL的优化框架,将超参数寻优建模作为马尔可夫决策过程,通过智能体与环境交互实现参数自适应配置。基于我国某地区实际负荷与气象数据的实验表明,所提方法在各项评价指标上均优于基准模型。