电力对于国家的工业发展而言至关重要,预测电力的使用情况可以更好的帮助电网和企业了解工厂的运行情况,因此提高电力负荷预测的精度迫在眉睫,同时也影响到电网和企业的供需平衡。仅依靠人工进行电力负荷数据的预测将面临着效率低、工作量大、误差大及经济性差等缺点,所以,在当今用电量巨大的背景下,引入智能算法来改进传统算法,使得获得高精度的电力负荷预测结果显得尤为重要。其中,为了提高电力负荷的预测精度、工作效率,算法的选择和优化起到了巨大的作用。本文针对电力负荷预测算法展开研究,主要研究并优化了长短期记忆神经网络,解决了参数确定问题以及电力负荷数据的非线性平稳问题,对于非线性平稳的电力负荷数据,也可以达到准确预测的效果。本文主要研究内容如下:(1)首先本文介绍了传统算法,对比分析了循环神经网络(Recurrent Neural Network,RNN)和长短期记忆神经网络(Long-Short Term Memory,LSTM)两种算法的优缺点。由于LSTM具有较强的自适应学习能力以及良好的记忆功能,对长周期数据有长期记忆的学习优势,预测结果更为准确。因此采用了LSTM神经网络作为本文的预测算法。为了解决LSTM神经网络参数难以确定的问题,引入了鲸鱼算法(Whale Optimization Algorithm,WOA)进行参数寻优,将原本根据经验,人为设定参数的过程改为鲸鱼算法自动迭代搜索最优参数的过程。使用工厂真实数据作为原始数据进行验证,得到经过鲸鱼算法优化参数后的模型WOA-LSTM相比于传统LSTM模型,平均绝对误差(Mean Absolute Error,MAE)下降了35.9%,均方根误差(Root Mean Square Error,RMSE)下降了38.7%,平均绝对百分误差(Mean Absolute Percent Error,MAPE)下降了35.9%。结果证明经鲸鱼算法优化后的模型比未优化的模型有着更高的预测精度。(2)然后针对电力负荷数据的非线性平稳问题,提出采用集合经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)算法与WOA-LSTM相结合的模型EEMD-WOA-LSTM。首先将历史数据通过EEMD算法进行分解,得到若干特征分量IMF;将各个特征分量IMF通过神经网络训练,获得各分量的预测结果,然后进行线性叠加,即可得到最终结果。通过EEMD-WOA-LSTM算法与WOA-LSTM算法对比得出:MAE下降了30.6%,RMSE下降了35.1%,MAPE下降了29.6%,结果证明EEMD-WOA-LSTM模型在改善预测精度方面效果明显。(3)最后,本文设计实现了一套包含了数据采集、显示、预测的完整智能能耗管理系统。从该系统在工厂实际生产的长期运行结果来看,相比于传统的神经网络算法,本文提出的EEMD-WOA-LSTM模型具有更高的泛化能力,且预测精度提升比较明显,对电力负荷预测水平的提高具有积极意义。