电力能源预测问题是能源企业运行管理中的关键问题,其主要任务是依据电力能源数值的相关历史信息数据和实时生产运行数据来预测未来某一时间段的电力能源数值。精准的电力能源预测能够在满足能源供应需求的同时,提高能源企业运行的安全性,制定合理的生产计划和调度,从而降低生产运行成本,保护生态环境,提高企业的经济效益。因此该问题的研究具有重要的理论价值和实际意义。本文针对电力系统规划和运行中的预测问题进行研究,将深度学习中基于长短时记忆（Long short term memory,LSTM）的序列对序列（Sequence to sequence,Seq2Seq）模型应用到电力能源预测中。在钢铁企业电力负荷预测中,考虑电力能源预测的时序性和随机性的特点,提出了改进的Seq2Seq模型进行预测。在风功率预测问题中,考虑实际风功率采集数据缺失的问题,提出均值法和BP神经网络训练来补全数据,以保证数据的时序性,并提出Seq2Seq风功率预测模型来对比两种补全数据方法对模型的影响。主要研究内容如下:1)针对短期电力能源预测中,传统的预测方法难以应对发电和生产运行中的非线性、随机性和数据量大的问题,提出了深度学习中基于LSTM的Seq2Seq模型用于求解电力能源预测问题。2)针对钢铁企业电力能源负荷预测问题,设计了 LSTM负荷预测模型,考虑该模型对时序性信息学习不完整,提出了基于LSTM的Seq2Seq负荷预测模型,利用钢铁企业实际生产数据进行数值实验,实验结果验证了算法的有效性。3)针对风功率预测问题中历史风功率数据缺失问题,提出了均值补全和BP神经网络两种数据补全策略。分别将补全后的数据输入到Seq2Seq的风功率预测模型进行训练。利用风场实际运行数据进行数值实验,结果表明算法的有效性。4)嵌入以上算法开发了钢铁企业电力负荷预测系统,软件系统功能包括基础数据查询、电力负荷预测、检修计划等模块,提供多模型预测方案。该系统实现了灵活的人工交互功能。