科技的飞速发展带动人类的生活水平稳步提高,电能对人类的生活也显得越来越重要,无论是日常生活还是工业生产,电能影响着人类生活的方方面面。电力负荷预测是电力部门首要的工作之一,电力的生产和调度全都依赖预测结果,预测的精度直接影响到电力部门的生产效益。特别近些年来社会生产对电力负荷预测的精度要求越来越高,合适的预测方法显得越来越重要,因此出现了很多预测方法,其中神经网络模型备受关注。标准的神经网络模型经过多年的发展衍生出许多分支,其中循环神经网络发展迅速,近几年在自然语言处理上取得了很大成功,但由于其自身存在容易过拟合、梯度消失、无法学习长期依赖等缺点,应用受到限制。后经改良,在循环神经网络的基础上提出了LSTMs模型,它解决了梯度消失等问题。本文首先阐述了研究电力负荷预测的意义和必要性,然后介绍了电力负荷预测的概念和分类,罗列出影响电力负荷预测的主要因素,然后从“感知器”开始,介绍了神经网络模型的发展史及LSTMs模型的由来,简述了神经网络在各个发展阶段的模型理论和优缺点。特别地,配合图形着重讲解了LSTMs模型的网络结构、计算原理和流程,介绍了LSTMs模型的“门”结构,解释了模型如何通过“门”结构来解决梯度消失和长期依赖问题。最后本文以波兰电力公司的电力负荷历史数据做实证分析,为了对比模型预测的效果,分别建立了时间序列模型和LSTMs模型,在模型对比时,我们也考虑了时间序列模型和LSTMs模型的简单平均,并将朴素季节模型作为所有模型的参照,对比结果证实了LSTMs模型的适用性和高效性。最后,文章总结了本文所建模型的不足,并提出可能的改善方法。