预测住宅和商业建筑的用电量对于提供更好的能源管理服务非常重要。电力负荷预测正在成为当今配电网络中了解电力系统行为的关键参与者,最终用户可以预测用电的未来趋势,从而管理他们的家用电器以减少高额电费。功耗取决于不同的变量和场景,例如天气变量、居住者的行为、电器类型等。由于这些原因,预测模型有时会产生不正确的预测。本论文提出的基于物联网的技术是改进数据收集方法的技术之一,该技术的数据集清晰,有足够的信息来进行未来的预测。本文的主要目的是对电力负荷预测进行各种优化的深度学习模型,并通过微调参数提出具有最小MSE的模型,以实现模型的良好配置。使用混合RNN技术,已经取得了最先进的结果。该研究是在LSTM、LSTM-ED、CNN-LSTM、GRU、Conv LSTM和Bi LSTM上进行的。训练过程使用google Collaboratory进行,结果显示Conv LSTM在6个LSTM时间序列预测模型中具有最低的RMSE。GRU、LSTM、Bi LSTM、LSTM-ED、CNNLSTM和Conv LSTM模型基于与有功功率相同的KW RMSE进行比较。Conv LSTM在未缩放数据上的RMSE最低为361.4,优于其他模型。其他研究人员对同一数据集进行了相同的研究,但使用了ARIMA模型,其RMSE为465.9,非常高。Conv LSTM模型具有简化的结构,因为CNN嵌入在与LSTM单元相同的架构中,LSTM单元直接使用卷积将输入读取到LSTM单元中,因此与其他模型相比速度更快。Conv LSTM对缩放数据进行了功耗预测建模,显示出0.29的最低RMSE,预测图显示有功功率的实际值几乎与预测值一致。与最先进的方法相比,Conv LSTM单元为建模和预测学习事件提供了有竞争力的结果。Conv LSTM模型是LSTM模型的变体之一,用于预测具有最低RMSE的功耗,该研究提出了一种使用物联网技术结合云计算收集多变量数据进行数据分析的有效方法。本文提出了Conv LSTM模型用于预测电力消耗,与传统方法相比,取得了较好的效果。通过使用GA、PSO和使用IOT系统收集多变量时间序列数据,仍需要针对同一主题进行进一步的研究以提高模型的准确性。