短期电力负荷预测对经济调度、安全检查以及社会发展的稳定等都有着重大意义。短期电力负荷预测方法的研究重点在于如何提高预测的精度。负荷预测精度的提高能为电力相关部门提供更为可靠地制定生产和发展计划的依据,同时为电力系统提供可靠的经济运行依据。因此,本文提出一种基于季节指数与Adam优化的LSTM预测方法,旨在提高短期电力负荷的预测精度。季节指数可以对带有季节性或者周期性的时间序列数据进行处理,以减少数据的季节性或者周期性因素的影响。长短期记忆网络(LSTM)对时间序列数据有着优秀的训练成果,它可以处理带有长期趋势的数据。经分析,电力负荷数据是有着周期性以及长期趋势的时间序列。因此,考虑结合两者的优点,本文提出一种基于季节指数与Adam优化的LSTM预测电力负荷的新方法。其思路是通过历史负荷数据计算季节指数,再用负荷数据除以季节指数,得到修正数据,然后通过Adam优化的LSTM模型进行预测,最后用季节指数乘以预测结果将其还原。该方法中的Adam优化算法是目前最流行的优化算法之一,对于LSTM网络模型的优化表现得十分出色,本文也会通过实验说明Adam优化算法比其他流行的优化算法更适合LSTM模型。以我国南方地区的夏季工作日和休息日的电力负荷数据为例,通过Python以及Keras神经网络框架实现建模预测。为了更好的说明该方法的预测效果,本文还建立了没有加入季节指数的Adam优化的LSTM模型对电力负荷进行预测。并选取平均相对误差、负荷预测准确率以及负荷预测误差率等预测效果评价指标,对两种预测方法进行预测效果对比分析。实验结果表明,无论是对工作日还是休息日电力负荷预测,基于季节指数与Adam优化的LSTM方法都能提高预测效果。对于工作日,该方法预测结果的平均相对误差降低了0.08%,预测准确率提高了0.20%;对于休息日,该方法预测结果的平均相对误差降低了0.27%,预测准确率提高了0.67%。对于休息日预测效果的提高较工作日的更为显著。从而验证了基于季节指数与Adam优化的LSTM预测方法的有效性。