近年来我国越来越重视天然气行业的发展,天然气在一次能源的占比呈现持续增长的趋势,在这样的背景下,准确预测天然气的使用量已经成为一个急需解决的问题。准确的负荷预测可以给燃气供应商提供决策依据,合理调配供需关系,对行业的健康发展具有重要的参考意义。本文的研究主要针对燃气负荷预测模型,重点解决模型构建中将要面临的两个问题,提出相应的算法方案。第一个问题是数据维度过高的问题,燃气负荷受到天气状况和经济发展等多种因素的影响,特征因子存在较大的冗余性,造成预测精度的下降。为了解决这个问题,在降维的过程中加入相关性分析,使用特征与负荷的互信息系数代替特征协方差矩阵的特征值进行降维的操作,即降低特征数据的维度,又避免了相关信息的丢失,建立了互信息主成分分析法优化的LSTM神经网络模型,并对模型进行了有效性验证。第二个问题是燃气数据具有较高复杂性,信息之间互相干扰的问题。针对这个问题本文使用自适应噪声完整集成经验模态分解(CEEMDAN)对燃气负荷进行分解,获取燃气在不同频率尺度下模态特征信息,对分解产生的不同IMF分量分别建立对应的LSTM模型进行预测,并建立CEEMDAN-LSTM模型进行验证。最终,两种优化算法都证明了其各自的有效性,提升了预测精度。为了得到更加有效的稳定的燃气预测模型,本文将以上两种方案进行了集成,提出CEEMDAN-MIPCA-LSTM算法模型。该模型同时完成了负荷值和特征的双提取,综合考虑了两种优化算法各自的优势,解决了数据维度过高和燃气数据较复杂的问题,在模型预测过程中,MIPCA生成的主成分因子与CEEMDAN分解的各个IMF分量重新组合为若干组训练矩阵作为LSTM网络的输入数据进行预测工作。CEEMDAN-MIPCA-LSTM相较于单一模型充分考虑了历史负荷数据的内在特征与燃气影响特征。本文最终将该模型应用于燃气负荷预测,并将其预测结果与其它对比模型进行比较分析,证明了该模型的优越性。