电力工业是国家的重要的基础行业之一,电力负荷预测的精度也直接关系到电网的供需平衡、运营成本。传统单一的预测方法在面对非平稳、非线性波动剧烈的负荷序列时拟合效果较差,本文结合深度学习和信号分解的多种方法,结合实际数据对短期电力负荷预测的组合方法进行了研究。本文的主要工作内容包括:(1)本文详细介绍了负荷预测的概念、特点和基本过程,重点分析讨论了电力负荷预测的时间、气候等影响因素。(2)长短期记忆神经网络(Long Short-Term Memory,LSTM)对复杂数据的拟合和复杂数据时间相关性分析的优势。本文详细对比分析了不同神经网络模型的拟合效果和预测精度。由于LSTM神经网络存在着参数无法确定的问题,引入自适应调整的惯性权重和学习因子的粒子群算法(Adaptive Particle Swarm Optimization,APSO),对LSTM神经网络模型中的隐藏层神经元节点数、迭代次数和学习率进行网络参数寻优,利用三种测试函数验证了APSO算法在寻优精度和速度上的优越性。(3)本文将负荷序列当作随机波动信号,结合信号处理的方法引入变分模态分解(Variational Mode Decomposition,VMD)算法,将原始序列分解成有限带宽的子序列。对比传统的经验模态分解(Empirical Mode Decomposition,EMD)方法,详细分析讨论了VMD在模态混叠和端点效应方面的优势。同时利用K-means聚类计算各子模态分量的欧氏距离,提出一种子序列预测结果进行加权重构得到最终结果的计算方法,构建基于加权VMD-APSO-LSTM的短期电力负荷预测模型。(4)为验证本文模型的有效性和实用性。结合实际数据在Matlab中进行仿真实验,通过多次实验确定VMD重要参数的适宜取值。将原始数据通过VMD分解成有限带宽的子模态序列,选用加权VMD-LSTM、加权VMD-PSO-LSTM、加权VMD-APSO-LSTM和加权VMD-BP几种模型进行预测结果对比,实验表明:在子序列和总曲线的预测结果上,加权VMD-APSO-LSTM模型的预测精度总体更高,尤其是在极值点或转折点处曲线拟合程度更好。为了进一步验证模型的优越性,针对是否加权和是否使用VMD分解分别进行了模型预测结果对比,本文模型均取得了较好的预测结果。