针对城市电网中负荷波动大以及中长期尖峰负荷预测难度高的问题，本文提出一种融合蚁群优化算法与双向长短期记忆神经网络（ACO-BiLSTM）的中长期电网负荷预测模型。该方法通过引入蚁群算法对BiLSTM模型的关键参数进行动态优化，弥补了传统BiLSTM在处理时间序列数据时易陷入局部最优的问题，从而提升了模型在预测精度与稳定性方面的表现。模型能够自适应地调整网络结构参数，寻找更加优质的解空间，在提高模型学习效率的同时，增强对尖峰负荷变化趋势的响应能力。通过对A地区实际电网负荷数据的预测测试结果表明，所提出方法在预测准确率和响应速度上均优于传统BiLSTM模型，其中R²值达到0.99，平均绝对误差（MAE）较原模型下降了7.8%。此外，文中还系统分析了蚁群优化策略对不同时间尺度尖峰负荷预测性能的影响，进一步验证了其在电力负荷时序建模中的有效性。