随着我国天然气行业的持续性发展,燃气负荷预测已经成为一项必不可少的工作。合理准确的预测对燃气管网的建设、调度规划以及运维管理等具有重要的参考意义与研究价值,因此有效提高燃气负荷预测精度是目前急需解决的一项工程问题。首先,为了宏观了解燃气负荷预测的研究概况,本文介绍了燃气负荷预测的研究背景、意义以及燃气预测方面的相关知识。使读者对燃气负荷预测能够有一定的了解,形成一个基本的燃气负荷预测概念。其次,对燃气数据进行特性分析及预处理操作。由于掌握数据的变化规律及发展趋势是进行准确预测的基础,因此本文着重分析了负荷序列的内在特性以及负荷的外在影响因素。使用统计学方法自相关图以及单位根检验方法分析了负荷的不平稳性,并且结合燃气负荷趋势图分析了其年周期性、季节周期性以及周周期性。接着根据相关性系数计算得出燃气负荷数据的主要影响因素,为模型输入数据的确定提供了基础。为应对燃气数据中由于各种原因不可避免地会产生一些不良数据,本文使用一种改进的数据横向比较法来对不良数据进行辨识与修正,保证负荷曲线整体的趋势性及平滑性。然后本文介绍了LSTM神经网络及其优化方法AE-LSTM与EEMD-LSTM,两种优化方法分别针对解决单一LSTM模型存在的两个问题,即数据降维与减少不同信息干扰。虽然LSTM网络具有独特的记忆结构,可以存储数据序列长期的时间相关性,解决了时间序列预测的前后信息关联的问题。但是由于采样的时间序列数据受多种复杂因素的影响包含了许多噪声并且具有高维度的特征,而使用LSTM网络只能挖掘不同时段相同维度上的时间数据信息,无法对数据进行多维度的特征提取。为了解决数据降维的问题,本文利用自动编码器对影响因子进行特征提取来得到其高阶特征表示,挖掘其深层次的特征因子并使用相关性分析进行验证,建立了AE-LSTM模型并对模型结果进行对比分析。但AE-LSTM并未解决信息相互干扰影响LSTM模型预测结果的问题,因此本文利用信号处理方法EEMD得到负荷在不同尺度下的模态特征信息,消除噪声等多种不同信息的相互影响。同时为了减少计算的冗余度,本文使用样本熵算法按照分解结果复杂度的相似性重构为具有显著不同趋势信息的分量。建立EEMD-LSTM模型并对结果进行分析与评估。两个仿真实验结果均证明了其各自算法的有效性,提升了LSTM模型的预测效果。最后为了进一步提高燃气负荷预测精度,综合解决LSTM网络无法对时间序列数据进行多维度特征提取的问题,本文将上述两种优化算法与LSTM网络进行系统的结构化设计并融合,形成一种新的基于EEAE-LSTM多模型融合算法的燃气负荷预测模型。该模型同时完成了影响因素与负荷序列两个方面的特征提取,综合考虑了两种特征信息对负荷预测的影响。整体上弥补了LSTM网络无法对高维影响因素进行特征因子提取的缺陷以及减少了不同特征尺度下负荷信息对最终预测结果的干扰程度。在模型预测过程中,自动编码器生成的特征因子与EEMD样本熵分解重构后的各个分量组成分量训练矩阵,作为LSTM网络的输入数据建立预测模型。EEAE-LSTM模型全面考虑了燃气数据影响因素的特征、负荷数据本身的内在特征以及负荷数据时间尺度上的特征。通过建立EEAE-LSTM燃气负荷预测模型,继而与其他模型进行对比分析,最终证明了该模型的预测性能更优。