需量负荷控制在电力需求侧管理中起着重要作用,而高精度的需量负荷预测将直接影响需量控制的可靠性,是保持电力供需平衡以提高电网稳定性的保证。然而,对于大型工业电力用户,由于设备工况与工艺切换,其超短期能源消耗通常具有强烈的随机性和波动性,使得超短期需量负荷的准确预测成为难题。针对该问题,本文利用多变量相关性分析、深度时序神经网络理论、集成学习方法等方法进行超短期工业电能需量预测研究,提出一种基于深度时序神经网络的混合集成学习预测模型。为了能有效地分析时间序列负荷数据,采用经典的长短期记忆网络(LSTM)作为预测模型的基学习器,并进行多变量相关性分析从多源异构的原始数据中确定与电力需量相关的输入属性。根据偏差-方差分解原理提出混合集成策略,对多种集成学习方法进行组合,包括Bagging、随机子空间和Boosting,并引入集成修剪,旨在解决单一模型和局部样本导致的偏差,提高模型的泛化能力。最后,通过采集的真实数据构建数据集来开展超短期需量负荷预测实验,与多种先进时序预测模型和经典集成学习算法进行分析评估,对比实验结果表明,在MAPE、MAE和NRMSE三种常用的预测性能评估指标和峰值负荷对应的绝对百分比误差(PAPE)指标上,本文模型均能达到稳定最优效果,能更准确地预测峰值需量负荷。同时本文将所提出模型具体应用于某一钢铁厂,进行多步长需量负荷预测,能实现精准的需量超标预判,有效协助需量调控的可靠实施。