电力负载调控是电力部门不断追求和完善的目标,也是智慧城市基础建设重点考察的指标之一。如果缺乏对整体用电情况的掌握,不能及时合理地调整供电政策,将会造成一系列的不良后果,如2021年东北限电潮引发各类民生问题。然而,传统的电力预测方法,无法对具体的用电场景进行区分,当面对多变量的电力时间序列数据时,无法有针对性地对变量进行取舍,使得预测性能受到影响,进而影响电力负载调控。基于此,本文开展了基于事理图谱的电力负荷预测技术研究,主要工作如下:（1）电力负荷变化成因复杂,现有电力负荷预测方法无法区分实时用电场景,且不能根据具体用电场景选取合适外生变量,导致多变量电力负荷预测准确率过低的结果。本文针对区分实时用电场景并根据具体用电场景选择合适外生变量的需求,提出了基于事理图谱的推理方法。推理方法分为三个环节:事理图谱的激活、推理和外生变量的选择。事理图谱的激活,实现对具体用电场景的分辨;事理图谱的推理寻找可能导致当前事件发生的其余可能事件集合;外生变量的选择是基于可能事件集合和外生变量之间的映射表,查找事件集合涉及的相关变量。综上,基于事理图谱的推理方法对具体用电场景进行了分辨,并挑选出了其可能相关的外生变量。（2）现有电力负荷预测模型没有对时间维度上近远期的时间序列进行区分度,且对于输入时间维度上的依赖性捕捉能力有限。针对相关外生变量和电力负荷变量共同构建的多变量电力时间序列数据,本文提出了基于记忆网络的多变量短期负荷预测预测模型MNLF。首先针对不同历史时段的数据对预测未来值的影响不同,本文进行了长期时间序列和短期时间序列的划分。此外,借鉴了记忆网络的结构,设置了记忆组件存储长期时间序列的编码表示,通过与短期时间序列编码表示进行相关性系数的计算,得到长期时间序列的加权表示,并与短期时间序列的编码表示进行拼接,使得模型的历史窗口更长,预测性能更强。（3）本文对模型的预测性能以及对基于事理图谱的推理系统的有效性进行了验证。首先对模型本身的预测性能进行了实验,将其与基础模型进行了比较,性能有所提升。然后对基于事理图谱推理的部分开展了消融实验,在事理图谱进行变量挑选前后,进行了模型性能对比,说明本文提出的基于事理图谱推理的预测模型的有效性。最后,将本文提出的短期负荷预测模型作为后台引擎,基于Spring Boot框架技术,设计了一个电力负荷预测系统,设计了预测结果展示和数据展示模块,对模型的预测结果进行了可视化呈现。