随着社会电能的广泛应用,电能的管理愈来愈受到社会企业的重视。但是,一方面由于电能来源结构逐渐复杂,风能、太阳能和水能等发电方式发展迅速,它们中的一些不良特性,比如波动性、间歇性等会引发诸多电能质量问题。另一方面在用户端中,用电敏感设备的使用使得电能系统对电能质量有了更高的要求。因此将电能管理推向信息化、智能化成为了必然的趋势,加强电能质量的监测、分析和预测有着重要意义。通过对电能数据的有效分析,及时发现电能系统中潜在的电能质量问题,可以保障电网的安全稳定运行,最大限度的降低电力故障的影响。本文建立电能负荷预测算法模型,对电能负荷进行分析预测,并与电能数据系统融合实现了基于大数据平台电能预测系统,包含电能预测、分析和存储功能。本文主要工作包括以下两个方面:（1）建立电能负荷预测算法模型。在电能负荷预测中,为了获得准确的预测结果,建立针对长序列的预测模型是至关重要的,并且使用长序列会造成模型的准确性下降。因此本文提出了一个基于自注意力机制的双向门循环单元（Bi GRU）的深度学习模型（TCN-Bi GRU）,以解决长序列任务精度下降的问题。首先,本文使用Bi GRU来学习历史和未来的信息,并捕捉较为短期的依赖。然后为了捕捉长期依赖,本文将数据集划分后输入到TCN网络中,将长序列转化为多个短序列,不仅解决了Bi GRU处理长序列时易造成梯度爆炸或消失的问题,而且减小了空间复杂度。同时,为了增强模型对数据周期性的关注能力,引入了自注意机制。最后,使用自回归模块增加了模型的线性拟合能力。本文提出的模型应用于电能和太阳能数据集,并在这两个数据集中取得了较好的精度。（2）本文根据实际需求设计并实现基于大数据平台的电能数据预测系统,包括了电能数据预测系统和电能数据计算与展示系统。在一方面,电能数据预测系统是基于大数据平台的电能预测,也是TCN-Bi GRU模型在大数据平台的应用。大数据平台数据的并行处理提升了算法的计算速率。另一方面将历史数据存储在非关系型数据库中,实现数据的海量存储。电能数据计算与展示系统是根据实际需求将原始电能数据转换成为电能质量指标再通过图表等形式展示,包含了电能在线、电能分析、电能管理等模块。本文所设计系统的应用为工厂电力系统降低了人工成本,高效率的解决电能系统预测、分析和存储问题。