电力负荷是电力系统运行、规划的重要组成部分,对其进行准确的分析预测具有重要意义。本文针对目前短期电力负荷预测精度、自动化程度较低等问题,设计实现了基于长短期记忆算法的短期电力负荷预测模型,使用粒子群算法对模型参数进行优化,并设计实现了集数据管理、模型训练、结果展示于一体的智能化电力负荷预测平台,使整个预测过程变的更加精确、智能。本文的主要工作和研究成果如下:(1)探究电力负荷数据的内在变化规律及可能的外在影响因素,分析电力负荷预测的理论依据。(2)统计西班牙2018年整年的真实电力负荷数据及影响因素数据,对电力负荷数据与影响因素数据进行相关性分析,得出相关系数较大的影响因素,与电力负荷数据一同作为模型输入,提高模型准确率。(3)分别基于循环神经网络和长短期记忆神经网络构建电力负荷预测模型,并设计统一的评价标准,使用西班牙2018全年的电力负荷数据与影响因素数据对模型进行训练,用训练后的模型分别预测未来一周的电力负荷数据。预测结果证明长短期记忆神经网络对长周期数据有长期记忆的学习优势,预测结果更为准确。(4)引入参数最优化方法,采用粒子群(PSO)优化算法对基于长短期记忆算法的电力负荷预测模型进行参数优化,将原本根据经验人为设定参数的过程改为粒子群算法自动迭代搜索最优参数,使用经过粒子群算法优化参数后的模型同样预测未来一周的电力负荷数据,结果证明经粒子群算法优化后的模型比未优化前的模型有着更高的预测精度。(5)搭建电力负荷预测平台,前端使用C#语言完成界面设计编写同时配合SQL Server数据库实现数据管理。平台主要包括三个功能模块,数据管理模块主要用于管理实验中用到的电力负荷数据及相关影响因素数据;模型训练模块主要是调用Python算法模型文件,并用训练数据对模型进行训练;结果展示模块用于以表格和折线图的方式对模型预测结果及模型准确度进行显示。本文从数据、算法、优化到平台设计实现了一整套智能化电力负荷预测系统。研究成果具有更高的预测精度,对于电力管理部门在进行局部或大范围短期的电力负荷预测、电力调度等工作具有很强的实用价值。