随时间推移产生的真实、连续的时间序列数据,可以反映其背后现象的变化规律,是在异常检测、股票交易、负荷预测、销售等诸多领域等待被解锁的强大武器。电力作为重要的二次能源,产生的数据是典型的时间序列,对电力数据的有效挖掘对节能降耗,绿色生产具有举足轻重的作用。但时间序列的数据量大、影响因素多、特征长度不定等,为数据挖掘增添了难度。为了解决上述问题,本文结合深度学习思想,改进具有长短期记忆功能的LSTM(Long Short-Term Memory)网络模型,作为用电数据挖掘主要研究算法,合理选择记忆时间序列价值信息,其中对LSTM网络的激活函数做了优化改进;搭建了基于云计算和存储服务的电力能源监控平台,用来服务电力使用的IEB以及数据挖掘引擎;提出了一种全面的通信解决方案,将MQTT(Message Queuing Telemetry Transport),Zigbee,Wifi和套接字通信结合起来,确保在LAN(Local Area Network)和跨NAT(Network Address Translation)的WAN(Wide Area Network)范围内网络地址转换,这种方法可以让系统在各种网络环境下工作,统一访问电力数据;实现了深度学习LSTM网络在电力数据挖掘领域的成功应用,可以用于任意时间段的非平稳波形,提供精准的电力预测。并且提供XGBoost和SVR(Support Vector Regreesion)两种机器学习著名算法的预测比较。系统对比了不同网络模型的优劣势,在兼顾预测精度和运行速度的前提下,为每一部分工作设计最合适的方法,并且在训练过程中不断优化网络参数。系统改进并优化的算法在预测精度上优于现有其他算法,并且满足了实际应用场景的需求。