电力是企业生产、人类生活的必需品,是保障我国人民生活质量不断提高,经济迅速发展的重要基础。电力负荷的及时供应可以保障社会快速的发展,但是当负荷出现供给大于需求时,会造成能源的浪费,增加环境污染。因此短期电力负荷预测成为了各个电力公司乃至国家的核心工作,通过准确的预测结果,实现电力系统的供需平衡,在保证电力充足的同时,达到节能降耗、保护环境的目的。本文考虑了气候因素、时间和日期性质对预测的作用,又考虑了噪声对负荷预测产生的负面影响,构建了小波-LSTM神经网络预测模型,将小波分解与LSTM结合在一起,既可以克服噪声对预测的影响,又可以解决电力负荷数据的长期依赖信息丢失的问题。为了验证模型的适用性及其优势,本文采用某电力公司真实负荷数据进行实证分析,将小波-LSTM、ARIMA、LSTM、SVR和多元线性回归这五种方法分别对样本中最后一周的负荷数据进行预测,研究结果发现,小波-LSTM组合预测模型预测效果最佳,MAPE值为2.77%,ARIMA、LSTM、SVR和多元线性回归的预测结果的MAPE值分别为3.51%、3.21%、3.02%和13.95%,可以说明增加了小波分解之后,模型预测精度确有提升。综上所述,本文提出的新模型可以作为电力系统智能化分析和预测的有效工具。希望各电力公司能够科学合理的运用模型对负荷数据进行预测,实现负荷的最优配置,在帮助企业产生经济效益的同时,还能够保障经济的发展、社会的进步,推进全社会节约能源、绿色发展。