随着我国“碳中和”战略的提出,风能、太阳能等新能源发电方式在近些年大量装机并网。由于新能源发电供给具有不稳定性,对我国电网的稳定运行带来一定的冲击。这就导致火力发电厂为了维持电网稳定,在运行过程中启停机组、升降负荷变得频繁。因此,对于火电厂负荷预测的研究变得愈发重要。在对拥有两台660MW机组的M火电厂进行日负荷预测研究的数据处理过程中,针对数据集的分布不够规律的问题,通过对数据集引入“机组平均日发电小时数”这一个参数来优化M火电厂日发电量数据,引入了“发电机组数量”和“日发电小时数”这两个量纲。这种优化方法也可以延伸应用在四机组及以上机组模型中,将双（多）机组模型简化为单机组模型,这种优化方法可将数据集由双峰分布（多峰分布）转化为近似正态分布。通过对比试验可知:用BP神经网络对优化后的数据集进行负荷预测的结果,与用BP神经网络对原始数据集进行负荷预测的结果相比,平均绝对百分误差MAPE从18.7%降到了15.3%。对RNN、LSTM、GRU模型的预测结果的精确度也有提升。在建立负荷预测模型过程中提出VMD-Adam-LSTM算法模型,针对数据集具有的非周期性和非线性特点,选择了比小波分解法更适合的变分经验模态分解法（VMD）处理数据,优化算法则使用Adam优化算法,由于使用了一阶矩的均值和二阶矩的均值,Adam优化算法在学习率的计算中具有惯性保持和舒适感知的优点,Adam优化算法与LSTM算法使用了同样的时间尺度t,因此与LSTM网络算法契合度高。LSTM算法用逻辑门运算将数据流与修正数据分开更新,在RNN网络对于处理具有序列特性的数据具有优势的基础上又解决了RNN网络的梯度爆炸与梯度消失的问题,同时也增强了数据流对原始数据的灵敏性。在探究最适模型过程中,全文应用了十种模型:BP神经网络、RNN、LSTM、GRU、SGD-GRU、SGD-LSTM、Adam-LSTM、Adam-GRU、VMD-Adam–LSTM、VMD-Adam–GRU。最后,在使用优化后数据集的VMD-Adam-LSTM算法模型与使用优化前数据集的BP神经网络模型的对比试验中表明:此模型将负荷预测的平均绝对百分误差从18.7%降低到了12%。本文所做的研究提升了M火电厂日负荷预测的准确性,对火电厂的日负荷预测具有重要意义。