智能电网在能源生产和分配方面具有相当大的灵活性,为了满足这种灵活性,电网必须更加精确地预测供求变化,在聚合级别以及单个组件级别下实时做出智能控制决策,有效地分配来自各种能源的发电量。然而,伴随着智能电网的发展,智能电网下的数据呈现指数级增长,可以预见未来电网云端难以高效实时处理如此大规模的数据,造成对电力的精准预测难以满足实时性要求。为了解决上述问题,本文提出面向边缘智能的超短期负荷预测方案,将智能电网下的超短期负荷预测任务从云端迁移到边缘智能设备,就近提供服务,从而减轻云端的计算和带宽压力。同时,本文从一步负荷预测研究扩展到多步负荷预测研究。本文主要研究工作如下:1.针对超短期负荷预测任务的多发性和实时性,以及未来云端面临的计算和带宽压力,本文以边云协同框架为基础,提出一种面向边缘智能的超短期负荷预测方案。首先,依靠电网智能设备采集上传到云端的电力数据,充分利用云端的计算资源,在云端使用双向长短期记忆网络进行数据建模。然后,通过网络将云端训练好的模型下发至边缘智能设备中,边缘智能设备利用云端下发的模型和智能电表实时采集上传的数据进行负荷预测。最后,将预测结果传输至云端或用户。2.针对序列到序列模型的编码器将长序列转换成内部状态向量时造成过多的信息损失,导致模型预测性能降低,本文提出基于双向长短期记忆网络的序列到序列多步负荷预测模型。首先,在序列到序列模型的编码器中通过双向长短期记忆网络将输入序列编码为一个有损的内部状态向量。然后,在序列到序列模型的解码器中通过长短期记忆网络对内部状态向量解码,形成新的序列,即为预测结果。本论文通过两个真实负荷数据集分别进行实验验证。实验结果表明了使用双向长短期记忆网络模型在边缘智能设备进行超短期负荷预测的可行性。实验结果表明了基于双向长短期记忆网络的序列到序列多步负荷预测方法的有效性。