进入21世纪,随着全球经济和现代工业化的持续发展,电能因其便于传输和转换、应用广泛的巨大优势,成为全世界最重要能源利用形式,如今的社会生活早已和电密不可分,息息相关。本论文主要研究电力负荷的预测,该课题是电网中电能管理的重要参考依据。高精度的电力负荷预测,具有高效利用电能、降低运行成本、准确反映各地用电规律、优化用电市场环境、保证用电稳定性、减少停电损失等诸多好处,在经济和安全方面价值巨大。电力系统负荷预测在我国社会生产与经济发展中发挥着举足轻重的作用,因而,探寻更高质量更高精度电力负荷预测技术的课题变得日趋迫切和重要。首先本文在MATLAB的平台上构建了基于ELMAN神经网络的电力负荷预测模型。ELMAN神经网络是一种应用较为广泛的反馈型神经网络模型,该模型利用延时算子实现局部自循环,使内部反馈网络具备动态信息的处理能力,能较好地自适应上一步的历史数据。实验采用的是全球电力负荷预测竞赛的样本数据。实验具体分两部分:(1)在连续几年的跨度上对重点月份重点时段的电力数据进行训练学习,预测的准确率能达到很高的水平(误差率在4%以内);(2)对全时段一整年的电力数据进行训练学习,预测准确率有所下滑,但误差仍然能在7%以内。实验可得:ELMAN型模型在短期电力负荷的预测是比较准确的,比较适合处理时序性特征明显的电力负荷预测问题。其次,本文在Tensorflow框架下构建了基于LSTM(Long shortterm memory,长短期记忆网络)电力负荷预测模型。首先选取全球电力负荷预测竞赛数据中的时间、电力负荷和气温数据,然后预处理及整形后分成训练集和测试集,最后按数据集大小不同和隐藏层数的不同设计三组实验依次导入LSTM模型进行训练和预测。实验表明:该模型预测误差率达到2%。最后,以电力负荷预测精度的高低作为标准来横向对比上述两种模型,可以发现LSTM模型在训练和预测的准确度上都有明显的的优势,值得今后深入研究。